基于正则的Python CASE语句实现：DataFrame列生成问题求助

问题背景 #

先明确下你的需求：你有这样一个DataFrame：

想要新增一列RdwyId，规则很清晰：

• 如果FileName前5位全是数字，就拿这5位拼接"000"当RdwyId
• 如果前8位全是数字，直接取这8位当RdwyId

你尝试了三种方案都没成功，咱们先拆解下每个方案的问题，再给你靠谱的解决办法。

你的三个方案为什么失败？ #

方案1的问题 #

rdwyre1=re.compile(r'\d\d\d\d\d')
rdwyre2=re.compile(r'\d\d\d\d\d\d\d\d')
rdwy1=rdwyre1.findall(str(thous["FileName"]))
rdwy2=rdwyre2.findall(str(thous["FileName"]))
thous["RdwyId"]=re.sub(r'\d\d\d\d\d', str(thous["FileName"].loc[:4])+"000",thous["FileName"])

• 你把整个FileName列转成字符串str(thous["FileName"])，这会把所有单元格值拼成一个大字符串，正则匹配的是整个列的文本，不是单个单元格
• re.sub只能处理单个字符串，直接传Pandas Series会报错，而且你的替换逻辑也不对——你不是要修改原文件名，而是要生成新的RdwyId值

方案2的问题 #

thous["RdwyId"]=np.select(
 [ re.search(r'\d\d\d\d\d',thous["FileName"])!="None",
 rdwyre2.findall(str(thous["FileName"]))!="None" ],
 [ rdwyre1.findall(str(thous["FileName"]))+"000",
 rdwyre2.findall(str(thous["FileName"])), ],
 default="Unknown"
 )

• re.search和findall都只能处理单个字符串，你传整个Series进去根本没法正确匹配
• findall返回的是列表，你拿它和字符串"None"比较永远是False，条件判断完全失效
• 就算条件对了，列表和"000"拼接会得到['01011']000这种奇怪的结果，不是你要的字符串

方案3的问题 #

thous=thous.assign(RdwyID=lambda x: str(rdwyre1.search(x).group())+"000" if bool(rdwyre1.search(x))==True else str(rdwyre2.search(x).group()))

• 这里的lambda x里的x是整个DataFrame，不是单个FileName单元格！你相当于在搜索整个DataFrame的文本，完全不是你要的操作
• 就算你改成针对FileName列，当某个值不满足前5位数字时，直接调用rdwyre2.search(x).group()会报错——如果前8位也不是数字，search返回None，调用group()会直接抛出AttributeError

正确的解决方法 #

方法1：用Pandas字符串方法（直观易懂，适合新手） #

咱们直接针对每个单元格处理，用字符串切片和判断就搞定：

import pandas as pd

# 先构造你的DataFrame
data = {
    "FileName": [
        "01011RT0TU7",
        "11041NT4TU8",
        "51391RST0U2",
        "01011645RT0TU9",
        "11311455TX0TU8",
        "51041545ST3TU9"
    ]
}
thous = pd.DataFrame(data)

# 定义生成RdwyId的函数
def get_rdwy_id(file_name):
    # 先判断前5位是不是全数字，且第6位不是数字（避免和前8位数字的情况冲突）
    if file_name[:5].isdigit() and not file_name[5].isdigit():
        return file_name[:5] + "000"
    # 再判断前8位是不是全数字
    elif file_name[:8].isdigit():
        return file_name[:8]
    # 可选：处理不符合两种规则的情况，返回默认值
    else:
        return "Unknown"

# 对每个FileName单元格应用这个函数
thous["RdwyId"] = thous["FileName"].apply(get_rdwy_id)

运行后就能得到你想要的结果：

FileName    RdwyId
0      01011RT0TU7   01011000
1      11041NT4TU8   11041000
2      51391RST0U2   51391000
3   01011645RT0TU9   01011645
4   11311455TX0TU8   11311455
5   51041545ST3TU9   51041545

方法2：用正则表达式提取（更灵活，适合规则变化的场景） #

如果以后规则有调整，用正则会更方便。咱们用str.extract匹配两种模式：

# 匹配两种模式：开头5位数字+非数字，或者开头8位数字
extracted = thous["FileName"].str.extract(r'^(\d{5})(?=\D)|^(\d{8})', expand=False)
# 取每行第一个非空的匹配结果
thous["RdwyId"] = extracted.bfill(axis=1).iloc[:, 0]
# 对5位的结果拼接000
thous["RdwyId"] = thous["RdwyId"].apply(lambda x: x + "000" if len(x) == 5 else x)

解释下正则：

• ^(\d{5})(?=\D)：匹配开头5位数字，且后面跟着非数字（确保不是前8位数字的情况），提取这5位
• ^(\d{8})：匹配开头8位数字，提取这8位
• bfill(axis=1)：对每一行，从左到右取第一个非空的匹配值

核心要点总结 #

你之前踩的坑本质是没有针对单个单元格处理，而是把整个Series当成单个字符串操作，混淆了Pandas Series和单个Python字符串的处理逻辑。用apply方法或者Pandas的str系列方法，都是逐个处理单元格的正确姿势，这是处理这类问题的关键。

内容的提问来源于stack exchange，提问作者SQLserving