Pandas如何提取行内含KOTA/KAB的指定字符串并生成新列

你原有代码的核心逻辑错误：

• re.sub的作用是替换/删除匹配到的字符，和「提取指定片段存入新列」的需求完全相反
• 逐行遍历pandas列的写法执行效率低，这类文本处理优先用pandas内置的向量化字符串操作

正确实现步骤 #

直接使用pandas的str.extract()方法，配合正则匹配目标规则，批量生成新列即可，不需要手写循环。

可直接运行的代码 #

import pandas as pd
import re

# 初始化测试数据集
testing = [['JL XXXX, KEC TAMBAKSARI KOTA SURABAYA 60135'], 
           ['JL XXXX, KEC PORONG KAB SIDOARJO 61274'], 
           ['DUSUN XXX, KEC SRONO KAB BANYUWANGI 68471']]
  
df_test = pd.DataFrame(testing, columns=['A'])

# 正则提取目标字段存入B列
# 正则规则说明：匹配独立单词KOTA/KAB + 空格 + 后续连续大写字母组成的地名
df_test['B'] = df_test['A'].str.extract(r'\b((?:KOTA|KAB) [A-Z]+)\b')

print(df_test)

运行输出效果 #

A                B
0  JL XXXX, KEC TAMBAKSARI KOTA SURABAYA 60135    KOTA SURABAYA
1       JL XXXX, KEC PORONG KAB SIDOARJO 61274     KAB SIDOARJO
2  DUSUN XXX, KEC SRONO KAB BANYUWANGI 68471   KAB BANYUWANGI

规则适配调整 #

如果后续遇到带空格的多段地名（比如KOTA BANDUNG SELATAN），可以把正则替换为r'\b((?:KOTA|KAB).*?)\s+\d{6}'，逻辑为匹配KOTA/KAB开头的片段，直到遇到「空格+6位邮编」就终止匹配，兼容更复杂的地址格式。

内容的提问来源于stack exchange，提问作者MADFROST