如何用Pandas从多语言字符串中提取拉丁词至单独列？

错误原因 #

你直接用re.findall()处理Pandas的Series对象（DataFrame的列），但re.findall()仅接受单个字符串/字节类型的输入，因此触发TypeError: expected string or bytes-like object错误。

正确实现代码 #

要提取所有拉丁词并生成新列，可借助Pandas的字符串方法str.findall()结合正则表达式，匹配连续的拉丁字母（含大小写）、反斜杠、斜杠，再将匹配结果拼接为字符串：

import pandas as pd
import re

st = {'string':['hhhh 15-0850tcx cord\\with plastic end / light mustard -82cm  шнур нужд вес 07 кг','1. 06900000027899 non woven 12 grid socks']}
s = pd.DataFrame(st)

# 定义正则：匹配连续的拉丁字母、反斜杠、斜杠
pattern = r'[a-zA-Z\\/]+'
# 提取每个字符串中的匹配项，并用空格拼接
s['latin_words'] = s['string'].str.findall(pattern).str.join(' ')

# 输出合并后的目标字符串
print(' '.join(s['latin_words'].tolist()))

输出结果 #

hhhh tcx cord\with plastic end / light mustard cm non woven grid socks

说明 #

• 使用str.findall()而非原生re.findall()，可直接对Series的每个元素批量处理
• 正则[a-zA-Z\\/]+匹配连续的拉丁字母、反斜杠、斜杠，过滤掉数字、西里尔字母等无关内容
• 用str.join(' ')将提取到的多个片段拼接成完整字符串，最后合并两列结果得到目标输出

内容的提问来源于stack exchange，提问作者Madina