如何在Pandas DataFrame的URL列中用正则提取汽车品牌

原正则的问题分析 #

你当前使用的正则.+([A-Z])\w+(?=[\/])+存在两个核心问题：

• .+是贪婪匹配模式，会优先消耗掉/used/之后的大部分内容，仅让捕获组([A-Z])拿到单个大写字母
• \w+仅匹配字母、数字和下划线，无法匹配品牌名称中的横杠（-），导致带横杠的品牌无法完整匹配，同时匹配失败的行会被过滤，最终数据行数大幅减少

正确的正则表达式及用法 #

针对URL结构（/used/品牌/...），可以用以下两种正则方案提取完整品牌：

方案1：利用正向零宽后行断言 #

直接定位/used/之后、下一个/之前的所有字符：

df['Brand'] = df['Page'].str.extract(r'(?<=/used/)[^/]+', expand=False)

• (?<=/used/)：确保匹配内容的前导是/used/，但不包含在匹配结果中
• [^/]+：匹配任意非/的字符，直到遇到下一个/，完美兼容带横杠的品牌名称

方案2：使用捕获组 #

通过捕获组提取目标内容，适合需要更明确结构匹配的场景：

df['Brand'] = df['Page'].str.extract(r'/used/([^/]+)/', expand=False)

• ([^/]+)：将/used/和下一个/之间的内容作为捕获组，str.extract会自动提取该组的内容

关键注意点 #

使用str.extract而非其他匹配方法（如str.match），因为str.extract会为所有行返回结果，匹配失败的行填充NaN，不会丢失原有数据行。

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