DataFrame迭代提取列子串遇AttributeError，求正确实现方法

我有一个包含多列的DataFrame，需要从group_email列提取特定子串生成新列group_code。邮箱遵循多种格式，需先判断开头前缀，再使用对应正则表达式提取。

原实现代码 #

for ind in group_member_df.index:  
        if(group_member_df['group_email'][ind].startswith("gcp") is True):
            group_member_df['group_code'][ind] = (group_member_df['group_email'][ind].str.extract('(?:prod-)(.*)-'))
            
        elif(group_member_df['group_email'][ind].startswith("irm") is True):
            group_member_df['group_code'][ind] = (group_member_df['group_email'][ind].str.extract('^(?:[^-]*\-){6}([^.]*)'))
            
        else:
            group_member_df['group_code'][ind] = '0'

报错信息 #

Traceback (most recent call last):
  File "directory.py", line 225, in <module>
    main(sys.argv[1:])
  File "directory.py", line 202, in main
    group_member_df['group_code'][ind] = (group_member_df['group_email'][ind].str.extract('(?:prod-)(.*)-'))
AttributeError: 'str' object has no attribute 'str'

错误原因 #

• group_member_df['group_email'][ind]取到的是单个字符串值，而.str是Pandas Series专属属性，无法直接作用于单个字符串。
• 循环遍历DataFrame索引的方式效率低下，违背Pandas向量化操作的设计原则。

正确实现方式 #

方法一：向量化批量处理（推荐） #

利用Pandas的布尔掩码和字符串方法批量操作，效率远高于循环：

# 初始化group_code列为默认值'0'
group_member_df['group_code'] = '0'

# 筛选gcp开头的邮箱，提取目标子串
gcp_mask = group_member_df['group_email'].str.startswith('gcp')
group_member_df.loc[gcp_mask, 'group_code'] = group_member_df.loc[gcp_mask, 'group_email'].str.extract('(?:prod-)(.*)-')[0]

# 筛选irm开头的邮箱，提取目标子串
irm_mask = group_member_df['group_email'].str.startswith('irm')
group_member_df.loc[irm_mask, 'group_code'] = group_member_df.loc[irm_mask, 'group_email'].str.extract('^(?:[^-]*\-){6}([^.]*)')[0]

说明：

• .str.extract返回DataFrame，取[0]提取第一列的Series值，直接赋值给目标列。
• 布尔掩码精准筛选目标行，避免不必要的计算。

方法二：修正循环实现（不推荐，仅作参考） #

若必须使用循环，改用Python标准正则库处理单个字符串：

import re

group_member_df['group_code'] = '0'
for ind in group_member_df.index:
    email = group_member_df['group_email'][ind]
    if email.startswith('gcp'):
        match = re.search(r'(?:prod-)(.*)-', email)
        if match:
            group_member_df.loc[ind, 'group_code'] = match.group(1)
    elif email.startswith('irm'):
        match = re.search(r'^(?:[^-]*\-){6}([^.]*)', email)
        if match:
            group_member_df.loc[ind, 'group_code'] = match.group(1)

说明：

• 用re.search处理单个字符串，匹配成功后通过group(1)获取捕获组内容。
• 使用df.loc[ind, 'col']赋值，避免链式索引引发的SettingWithCopyWarning。

测试验证 #

针对你提供的测试数据，使用推荐方法处理后，group_code列会提取出aadrpt（对应gcp开头邮箱中的目标子串）。

内容的提问来源于stack exchange，提问作者unnest_me