为何Pandas的str.extract()与re.findall()表现不同？报错无捕获组

问题场景 #

你尝试对如下索引数据使用df.<column_name or index>.str.extract(r'\d+')：

28    USD-ABC-S__7y
29    USD-ABC-S__8y
Name: InstrumentIdentifier, dtype: object

触发了如下ValueError：

ValueError: pattern contains no capture groups

但使用Python标准库的re.findall()却能得到预期结果：

import re
re.findall(r'\d+', 'USD-ABC-S__8y')
# 返回: ['8']

核心差异原因 #

• Pandas str.extract()的设计逻辑：这个方法专门用于从字符串中提取捕获组的内容，返回对应分组的DataFrame/Series。它要求正则表达式必须包含至少一个用()包裹的捕获组，否则会直接抛出ValueError——因为它无法确定要提取哪部分内容。
• Python re.findall()的设计逻辑：这个方法逻辑更灵活：
  • 若正则无捕获组，返回所有匹配整个正则表达式的字符串列表；
  • 若有捕获组，才返回捕获到的内容列表。所以无捕获组的r'\d+'能正常工作。

解决方法 #

给正则表达式加上捕获组即可：

# 使用带捕获组的正则
df['InstrumentIdentifier'].str.extract(r'(\d+)')

执行后会得到如下结果：

0
28  7
29  8

如果想直接得到Series格式的结果，可以加上squeeze()方法：

df['InstrumentIdentifier'].str.extract(r'(\d+)').squeeze()

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