如何用Pandas str.extract()提取符合规则的指定长度字母数字串？

原始数据 #

你的DataFrame中description列数据如下：

df['description']
# 输出：
# 22CI003294 PARCEL 32 
# 22CI400040 NORFOLK ESTATES 
# 12CI400952 & 13CI403261
# 22CI400628 GARDEN ACRES
# 9CI00208 FERNHAVEN SEC
# 22CI400675 CECIL AVE SUB
# 22CI400721 124.69' SS
# BOLLING AVE SS

需求 #

提取每个字符串中首个满足以下规则的字母数字串：

• 长度至少6个字符
• 以数字开头
• 后续可包含任意数量的数字或字母
  无符合条件的串时返回None

问题分析 #

你之前的代码df['description'].str.extract(r'(\d*\w+\d+\w*){6,}')失效的原因是：
{6,}是对括号内的整个匹配组重复6次以上，而不是要求匹配的字符串总长度≥6。这完全不符合需求，所以无法匹配到任何结果。

解决方案 #

使用正确的正则表达式来匹配符合长度和格式要求的串：

import pandas as pd
import numpy as np

# 假设df是你的目标DataFrame
df['results'] = df['description'].str.extract(r'(\d\w{5,})', expand=False)
# 将无匹配时的NaN替换为None，与预期结果一致
df['results'] = df['results'].replace(np.nan, None)

正则说明 #

• \d：匹配开头的数字，确保串以数字开头
• \w{5,}：匹配至少5个字母或数字（\w等价于[A-Za-z0-9_]，如果不需要下划线可替换为[A-Za-z0-9]），加上前面的1个数字，总长度≥6，满足长度要求
• str.extract会提取第一个匹配到的符合规则的串，无匹配时返回NaN，最后替换为None即可得到预期结果

验证结果 #

运行后df['results']的输出与你的预期完全一致：

22CI003294
22CI400040
12CI400952
22CI400628
9CI00208
22CI400675
22CI400721
None

内容的提问来源于stack exchange，提问作者amnesic