Python/Pandas新手：从文本列提取固定格式错误码至新列

嘿，针对你这种从IT工单CSV的自由文本里提取固定格式错误码的需求，正则表达式搭配Pandas的字符串方法绝对是最顺手高效的方案——刚好适配你已经熟练使用的groupby工作流，而且完全贴合你当前Python/Numpy学习阶段的实践场景。下面一步步给你拆解实现：

1. 提取错误码到新列 #

假设你的DataFrame叫df，存储问题描述的列名叫problem_description，直接用Pandas的str.extract()就能一键提取匹配的错误码：

import pandas as pd

# 读取你的工单CSV（替换成实际文件路径）
df = pd.read_csv('it_tickets.csv')

# 用正则精准提取ERR+5位数字的错误码，生成新列error_code
df['error_code'] = df['problem_description'].str.extract(r'(ERR\d{5})', expand=False)

正则小解释： #

• (ERR\d{5})：专门匹配以ERR开头、后面紧跟5位数字的完整字符串，括号用来捕获我们需要的整个错误码
• expand=False：让方法返回一个Series，直接就能作为新列塞进DataFrame里，不用额外转换

要是遇到有些工单里有多个错误码的情况，也可以用str.findall()把所有匹配项捞出来，再用逗号拼接成字符串：

# 提取所有错误码，多个的话用逗号分隔
df['error_codes'] = df['problem_description'].str.findall(r'ERR\d{5}').str.join(', ')

2. 处理没有错误码的情况 #

有些工单可能没填错误码，新列会出现NaN，你可以根据需求填充：

# 填充为空字符串
df['error_code'] = df['error_code'].fillna('')
# 或者统一标记成"无错误码"方便统计
df['error_code'] = df['error_code'].fillna('NO_ERROR_CODE')

3. 统计错误码出现频次 #

这部分你已经熟门熟路啦，不过除了groupby，用value_counts()会更简洁直接：

# 统计每个错误码的出现次数，按频次降序排列
error_counts = df['error_code'].value_counts().reset_index()
# 重命名列名让结果更清晰
error_counts.columns = ['error_code', 'occurrences']

# 要是你偏爱用groupby，结果是一样的，写法稍长一点
error_counts_groupby = df.groupby('error_code') \
                         .size() \
                         .reset_index(name='occurrences') \
                         .sort_values('occurrences', ascending=False)

为啥说这是最优方案？ #

• 精准不翻车：正则完全贴合你给定的错误码格式，不会误提取类似ERR1234（少一位）或者ERRABCDE（非数字）的无效内容
• 高效省时间：Pandas的字符串方法是向量化操作，比写循环快得多，应付工单这种可能有成千上万条数据的场景毫无压力
• 无缝衔接现有工作流：提取后的新列直接在DataFrame里，后续统计、分析都能和你已经会用的groupby完美配合

要是你想练Numpy的话，也可以用np.vectorize套正则来实现，但Pandas的方法更贴合DataFrame的使用场景，代码也更简洁，日常用起来更顺手～

内容的提问来源于stack exchange，提问作者Shalzar