如何用Python Pandas从格式不一致的列中提取指定文本？

问题场景 #

现有格式不一致的Pandas数据：

Area	Owners
Bali Island: 4600	John
Java Island:7200	Van Hour
Hallo Island : 2400	Petra

需要提取Area列中的数字，生成新列Area Number，得到目标结果：

Area	Owners	Area Number
Bali Island: 4600	John	4600
Java Island:7200	Van Hour	7200
Hallo Island : 2400	Petra	2400

解决方案 #

最可靠的方式是使用正则表达式提取数字，结合Pandas的str.extract方法，不管冒号前后的空格格式如何变化，都能精准捕获数字部分。

代码示例

import pandas as pd

# 构造示例数据集
data = {
    'Area': ['Bali Island: 4600', 'Java Island:7200', 'Hallo Island : 2400'],
    'Owners': ['John', 'Van Hour', 'Petra']
}
df = pd.DataFrame(data)

# 提取Area列中的数字并转为整数类型
df['Area Number'] = df['Area'].str.extract(r'(\d+)').astype(int)

# 输出结果
print(df)

代码说明

• str.extract(r'(\d+)')：通过正则表达式(\d+)匹配并捕获连续的数字序列，\d+表示匹配1个或多个数字，括号用于指定捕获组，提取我们需要的内容。
• .astype(int)：将提取到的字符串类型数字转为整数，确保新列是数值格式，方便后续计算或分析。

扩展场景

如果Area列中的数字可能包含小数（比如Bali Island: 4600.5），可以将正则表达式修改为r'(\d+\.?\d*)'，适配小数格式：

df['Area Number'] = df['Area'].str.extract(r'(\d+\.?\d*)').astype(float)

内容的提问来源于stack exchange，提问作者Alfin Edo