Python：如何从DataFrame提取含usa的账户及日期等指定内容

问题描述 #

第一个DataFrame的String1列包含如下文本：

需要提取中间含usa的账户（如671usa50452）和日期（如12-19-22），生成包含原列、Account列、Date列的DataFrame。原代码未成功存入新列。

问题原因与解决方案 #

原代码存在两处问题：

1. 列名错误：使用了'String'而非实际列名'String1'
2. 正则不匹配：日期正则写为\d{2}-\d{2}-\d{4}（四位年份），但目标日期是两位年份；同时未匹配账户后的.tab，导致提取失败。

正确代码 #

import pandas as pd

# 构造示例DataFrame
data1 = {
    'String1': [
        'Table 671usa50452.tab has been created as of the process date (12-19-22).',
        'Table 643usa50552.tab has been created as of the process date (12-19-22).',
        'Table 681usa50532.tab has been created as of the process date (12-19-22).',
        'Table 621usa56452.tab has been created as of the process date (12-19-22).',
        'Table 547usa67452.tab has been created as of the process date (12-19-22).'
    ]
}
df_list1 = pd.DataFrame(data1)

# 提取账户和日期
df_list1[['Account', 'Date']] = df_list1['String1'].str.extract(r'(\d+usa\d+)\.tab.*?\((\d{2}-\d{2}-\d{2})\)')

正则说明 #

• (\d+usa\d+)\.tab：匹配数字+usa+数字的账户，同时匹配后续的.tab，确保提取准确
• .*?\((\d{2}-\d{2}-\d{2})\)：匹配任意非贪婪字符后，提取括号内的两位年份日期

问题描述 #

第二个DataFrame的String2列包含如下文本：

需要提取开头的含usa的账户（如3203usa34088），生成包含原列、Account2列的DataFrame。

解决方案 #

正确代码 #

import pandas as pd

# 构造示例DataFrame
data2 = {
    'String2': [
        '3203usa34088 : Asset USA1 / asd011245',
        '3203usa34088 : Asset USA2 / ghf023345',
        '3203usa34088 : Asset USA3 / hgf012735',
        '3203usa34088 : Asset USA4 / wet012455',
        '3203usa34088 : Asset USA5 / nbj012245'
    ]
}
df_list2 = pd.DataFrame(data2)

# 提取账户
df_list2['Account2'] = df_list2['String2'].str.extract(r'^(\d+usa\d+)')

正则说明 #

• ^(\d+usa\d+)：^匹配字符串开头，提取开头的数字+usa+数字的账户

内容的提问来源于stack exchange，提问作者exenlediatán