pandas使用正则仅为长度大于3的字符串第3位插入点号

原有代码问题说明 #

最初编写的正则存在两个匹配逻辑漏洞：

1. 负向预查规则仅判断了匹配3个字符后是否到字符串末尾，未覆盖编码存在前后不可见空白、特殊字符的边界场景，会导致部分3位长度编码被误判为长度大于3，末尾被错误加点
2. 未对第4位字符是否为点号做判断，遇到已经带分隔点的编码时，会在前3位后重复插入点，生成双点的错误值

方案1：修正后的正则实现 #

直接替换原有正则即可，无需改动其他逻辑：

df['formatted_codes'] = df['dx_code'].str.replace(
    r'^(\w{3})(?!\.|$)',
    r'\1.',
    regex=True
)

正则逻辑说明：

• ^(\w{3})：捕获从字符串开头起的3个字母/数字字符作为第一个捕获组
• (?!\.|$)：负向预查约束，只有当前3个字符后既不是字符串末尾、也不是已存在的点号时，才触发替换
• 替换内容\1.为捕获的3个字符后拼接单个点号，不会出现重复加点问题

方案2：无正则的稳妥实现 #

如果编码规则固定，用字符串切片+判断的写法可读性更强，完全不会出现正则边界匹配异常：

def format_dx_code(code: str) -> str:
    # 长度≤3、或已包含点号的编码直接返回原值
    if len(code) <= 3 or '.' in code:
        return code
    # 无点且长度大于3的编码，在第3位后插入点号
    return f"{code[:3]}.{code[3:]}"

df['formatted_codes'] = df['dx_code'].apply(format_dx_code)

效果验证 #

两种方案都能完全匹配预期处理结果：

• 3位无点编码：A00→A00、A01→A01
• 长度大于3无点编码：A000→A00.0、S92113→S92.113、S92113D→S92.113D
• 已带点编码：A00.1→A00.1、S92.113→S92.113

内容的提问来源于stack exchange，提问作者Siva Rama krishna Kumar