如何用Pandas正则表达式提取单列中的三类指定数据？

明确提取规则 #

需要从col1中提取三类数据：

• col2：以100开头的10位数字（格式：100 + 7位数字）
• col3：DTXXXXXX-XXXX格式的编号（6位数字+连字符+4位数字）
• address：街道（数字+街道名称）与城镇（逗号+城镇名称）的组合

示例数据集 #

先定义测试用的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'col1': [
        '1001234567 123 Main St, New York',
        'PR123456-7890 456 Oak Ave, Los Angeles',
        'DT987654-3210 789 Pine Rd, Chicago',
        '1009876543 DT112233-4455 101 Cedar Ln, Houston',
        '8765432100 DT001122-3344 202 Birch Blvd, Miami'
    ]
})

修正后的提取代码 #

核心是把错误的PR正则替换为DT，同时保留其他逻辑的正确性：

import re

# 提取100开头的10位数字
df['col2'] = df['col1'].str.extract(r'(100\d{7})')

# 提取DTXXXXXX-XXXX格式的编号（修正了原代码中PR的错误）
df['col3'] = df['col1'].str.extract(r'(DT\d{6}-\d{4})')

# 提取街道+城镇地址
df['address'] = df['col1'].str.extract(r'(\d+ [A-Za-z ]+, [A-Za-z ]+)')

运行结果 #

执行后得到目标格式的DataFrame：

扩展说明 #

如果需要同时支持DT和PR格式的编号，可将col3的正则改为：

df['col3'] = df['col1'].str.extract(r'((?:DT|PR)\d{6}-\d{4})')

内容的提问来源于stack exchange，提问作者Deidraak