如何在Pandas中提取ANN/ANC/ANE后的内容生成ID列？

原始数据 #

import pandas as pd

data = {'desc': ['ADRIAN PETER - ANN 80020355787C - 11 Baillon Pass.pdf', 
                 'AILEEN MARCUS - ANC 800E15432922 - 5 Mandarin Way.pdf',
                 'AJITH SINGH - ANN 80020837750 - 11 Berkeley Loop.pdf', 
                 'ALEX MARTIN-CURTIS - ANC 80021710355 - 26 Dovedale St.pdf',
                 'Alice.Smith\Jodee - Karen - ANE 80020428377 - 58 Harrisdale Dr.pdf']}
df = pd.DataFrame(data, columns = ['desc'])

问题说明 #

需要新增ID列，提取desc中ANN、ANC或ANE后面的对应ID值，原代码df['id'] = df['desc'].str.extract(r'\-([^|]+)\-')未得到预期结果。

原代码问题 #

原正则表达式逻辑错误：

• \-([^|]+)\-匹配两个横杠之间的内容，但部分字符串包含多个横杠（如最后一条数据），会提取到错误片段
• 未限定匹配ANN/ANC/ANE后的内容，无法精准定位目标ID

解决方案 #

使用正向预查精准匹配目标ID：

df['ID'] = df['desc'].str.extract(r'(?<=ANN|ANC|ANE)\s+(\w+)')

或者另一种等价写法：

df['ID'] = df['desc'].str.extract(r'(ANN|ANC|ANE)\s+(\w+)', expand=False)[1]

正则说明 #

• (?<=ANN|ANC|ANE)：正向预查，确保匹配内容的前导是ANN、ANC或ANE
• \s+：匹配ID前的一个或多个空格
• (\w+)：匹配由字母、数字组成的ID内容

运行结果 #

ID
0  80020355787C
1  800E15432922
2   80020837750
3   80021710355
4   80020428377

内容的提问来源于stack exchange，提问作者CK-P