如何在Python的Pandas中从URL提取用户ID？（数据框含105万行）

问题场景 #

现有一个包含1,050,000行的Pandas数据框，UserImage列存储三种格式的Googleusercontent图片URL，需要从中提取出用户ID生成UserIDs列：

原始URL示例：

UserImage
    https://play-lh.googleusercontent.com/a/AItbvmkI4RoZOTFftgRqwJ0QVl-OqLw0PXFRQsQmzPwayQ=mo
    https://play-lh.googleusercontent.com/EGemoI2NTXmTsBVtJqk8jxF9rh8ApRWfsIMQSt2uE4OcpQqbFu7f7NbTK05lx80nuSijCz7sc3a277R67g
    https://play-lh.googleusercontent.com/a-/AFdZucpr-V6JJAWHdTjxYVPa15fmQC7pWl5Xd5StFt1E'

期望结果：

UserIDs
AItbvmkI4RoZOTFftgRqwJ0QVl-OqLw0PXFRQsQmzPwayQ
EGemoI2NTXmTsBVtJqk8jxF9rh8ApRWfsIMQSt2uE4OcpQqbFu7f7NbTK05lx80nuSijCz7sc3a277R67g
AFdZucpr-V6JJAWHdTjxYVPa15fmQC7pWl5Xd5StFt1E

高效解决方法 #

针对百万级数据量，推荐使用正则表达式结合Pandas的str.extract方法，既能统一处理三种URL格式，又能保证处理效率：

import pandas as pd

# 假设数据框名为df
df['UserIDs'] = df['UserImage'].str.extract(r'play-lh.googleusercontent.com/(?:a/|a-/)?([^=\']+)', expand=False)

正则表达式说明 #

• play-lh.googleusercontent.com/：匹配固定域名部分
• (?:a/|a-/)?：非捕获组，匹配可选的a/或a-/前缀，?表示该部分可出现0或1次
• ([^=\']+)：捕获组，匹配所有不是=或'的字符，这就是我们要提取的用户ID

补充处理细节 #

如果存在URL前后有空格的情况（比如示例中的缩进空格），可以先做清洗：

df['UserImage'] = df['UserImage'].str.strip()

内容的提问来源于stack exchange，提问作者Mystic