如何用正则表达式从Pandas列中提取NAICS编码？

1. 解决KeyError问题 #

• 执行print(df.columns)查看DataFrame的所有列名，确认是否存在'Company'列（注意大小写、空格等细节）。如果列名有误，将代码中的'Company'替换为实际的列名即可。

2. 正确提取NAICS编码 #

原正则仅提取所有数字，会误匹配名称中的数字，且未处理多组NAICS的情况。以下是精准提取的实现：

完整代码 #

import pandas as pd
import re

def extract_naics(text):
    # 处理空值（NaN）
    if pd.isna(text):
        return ""
    # 匹配所有NAICS字段后的编码内容
    naics_groups = re.findall(r'NAICS:\s*([\d, ]+)', text)
    # 把每组编码内的逗号分隔替换为分号，再合并所有组
    return "; ".join([group.replace(", ", "; ") for group in naics_groups])

# 应用到DataFrame（确保列名正确）
df['NAICS'] = df['Company'].apply(extract_naics)

正则说明 #

r'NAICS:\s*([\d, ]+)'：

• NAICS:\s* 匹配"NAICS:"及后面的任意空白字符
• ([\d, ]+) 捕获数字、逗号、空格组成的编码字符串，确保拿到每组NAICS的完整内容

效果验证 #

针对你的示例数据，处理后会得到：

711211
711211
813212

517112; 551112; 711211

524114; 711211; 523999; 531110

内容的提问来源于stack exchange，提问作者Firmino