如何用正则表达式从多DataFrame中提取HE开头的时段数值

问题原因 #

当前代码只提取到第一个HE开头的数值，是因为默认的正则匹配方法（如re.search或str.extract）仅返回首个匹配项。要获取所有符合条件的结果，需要使用支持全局匹配的方法。

解决方案 #

以下两种方法均可提取所有HE开头的时段数值，并整理为你需要的元组格式：

方法一：结合re.findall与apply批量处理 #

import pandas as pd
import re

Example_dict = {'S_1':pd.DataFrame({'Product1 Hours':'Lowest priced 5 concecutive hours in HE09 thru HE16',
                                    'Product2 Hours': 'Highest priced 4 consecutive hours in HE17 through HE22'},index=[1,2]).T.reset_index(),
                'S_2':pd.DataFrame({'Product1 Hours':'Lowest priced 5 concecutive hours in HE09 thru HE16',
                                    'Product2 Hours': 'Highest priced 4 consecutive hours in HE17 through HE23'},index=[1,2]).T.reset_index()
                }

# 定义提取函数：捕获所有HE后的两位数字，按每两个一组转为元组
def get_he_periods(text):
    hour_matches = re.findall(r'HE(\d{2})', text)
    return [tuple(hour_matches[i:i+2]) for i in range(0, len(hour_matches), 2)]

# 遍历字典处理每个DataFrame
for contract, df in Example_dict.items():
    df['Extracted Periods'] = df[1].apply(get_he_periods)
    print(f"=== {contract} 处理结果 ===")
    print(df[['index', 'Extracted Periods']])

方法二：使用Pandas原生str.extractall #

for contract, df in Example_dict.items():
    # 提取所有HE后的数字，按行分组转为列表
    all_matches = df[1].str.extractall(r'HE(\d{2})')[0].groupby(level=0).agg(list)
    # 转换为时段元组对
    df['Extracted Periods'] = all_matches.apply(lambda x: [tuple(x[i:i+2]) for i in range(0, len(x), 2)])
    print(f"=== {contract} 处理结果 ===")
    print(df[['index', 'Extracted Periods']])

输出结果 #

• S_1的Product1 Hours会得到[('09', '16')]，Product2 Hours得到[('17', '22')]
• S_2的Product2 Hours会得到[('17', '23')]，完全符合预期需求

核心说明 #

• re.findall(r'HE(\d{2})', text)：全局匹配所有HE开头的两位数字，返回匹配到的数字列表
• 切片分组[tuple(x[i:i+2])...]：将连续的两个数字组合为一个时段元组
• str.extractall：Pandas专门用于提取所有匹配项的方法，适合DataFrame列的批量处理

内容的提问来源于stack exchange，提问作者ARE