如何用Python提取CSV中不符合规则的control_number？

我有一个包含多列支付数据的CSV文件，其中control_number是每笔交易的唯一标识符，合法格式要求：

• 以991开头
• 长度为12位纯数字

需要提取所有不符合该规则的control_number列表。

原代码问题 #

当前代码存在两个核心问题：

1. 正则表达式错误：(?<!\d)\d{5}(?!\d)匹配的是独立的5位数字，和要求的12位、991开头的规则完全不符
2. 方法使用错误：re.findall无法直接处理pandas的Series对象，应该使用pandas提供的字符串矢量化方法

修正后的代码 #

import pandas as pd

# 读取CSV文件
df = pd.read_csv("transactions.csv")

# 定义合法control_number的正则规则：以991开头，后续9位数字，总长度12位
valid_pattern = r"^991\d{9}$"

# 筛选出不符合规则的记录：~表示取反，str.fullmatch确保整个字符串完全匹配规则
invalid_records = df[~df['control_number'].astype(str).str.fullmatch(valid_pattern)]

# 提取control_number列并输出
print(invalid_records[['control_number']])

# 可选：将结果保存到新CSV文件
invalid_records[['control_number']].to_csv("invalid_control_numbers.csv", index=False)

代码说明 #

• astype(str)：确保control_number被当作字符串处理，避免数字类型导致的前导零丢失问题（实际场景可能存在）
• str.fullmatch(valid_pattern)：检查整个字符串是否完全匹配正则规则，返回布尔类型的Series
• ~：对布尔Series取反，筛选出不满足规则的记录
• 最终输出的invalid_records[['control_number']]即为不符合规则的列表，与示例期望输出完全一致

示例验证 #

使用你提供的示例数据运行代码，会得到如下结果：

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