Python中基于多列条件为DataFrame提取符合格式序列号填充新列

核心规则对齐 #

首先明确目标列Serial Number Final的硬校验标准：

• 字符串总长度固定为17位
• 必须包含MP标识，且MP固定位于字符串第3-4位（下标2、3，从0开始计数），整体匹配XXMPXXXXXXXXXXXXX格式（前2位任意字符，MP后接13位任意字符，总长度17）

现有3个候选列可作为序列号提取源：Serial Number New、Serial Number + Keyword、Serial Number Old，已知数据存在三类问题：值为0、序列号带冗余前后缀、序列号前缀缺失。

处理逻辑 #

以MP为固定锚点做提取清洗，按列优先级逐行校验，直到拿到符合规则的序列号：

• 优先遍历准确率最高的候选列（可根据实际数据调整顺序，默认按给出的列名顺序）
• 对每个单元格值先做无效值过滤：剔除空值、数值0、字符串'0'、无MP标识的内容
• 定位MP在字符串中的位置，向前截取最多2位作为前缀，向后截取最多13位作为后缀，拼接后校验长度和MP位置，符合要求则作为最终值
• 当前列提取失败则自动取下一个候选列做清洗，所有列都提取失败的行标记为空，后续可人工校验

可直接运行的代码 #

import pandas as pd
import numpy as np

def extract_valid_serial(cell_val):
    # 过滤基础无效值
    if pd.isna(cell_val) or cell_val == 0:
        return None
    val_str = str(cell_val).strip()
    if val_str in ('', '0', 'None', 'nan'):
        return None
    # 定位MP锚点
    mp_pos = val_str.find('MP')
    if mp_pos == -1:
        return None
    # 按锚点截取前后片段，凑齐17位长度
    prefix = val_str[max(0, mp_pos - 2) : mp_pos]
    suffix_need_len = 17 - len(prefix) - 2
    suffix = val_str[mp_pos+2 : mp_pos+2 + suffix_need_len]
    serial_candidate = prefix + 'MP' + suffix
    # 最终规则校验
    if len(serial_candidate) == 17 and serial_candidate[2:4] == 'MP':
        return serial_candidate
    return None

# 按优先级配置候选列，准确率高的列放前面
candidate_columns = [
    'Serial Number New',
    'Serial Number + Keyword',
    'Serial Number Old'
]

# 逐列填充目标列
df['Serial Number Final'] = pd.NA
for col in candidate_columns:
    empty_mask = df['Serial Number Final'].isna()
    df.loc[empty_mask, 'Serial Number Final'] = df.loc[empty_mask, col].apply(extract_valid_serial)

# 可选：提取所有清洗失败的行做人工核查
error_rows = df[df['Serial Number Final'].isna()]

适配说明 #

• 如果实际数据中Serial Number Old列准确率更高，直接调整candidate_columns里的列顺序即可
• 若存在后缀缺失的场景，可以在拼接逻辑里补对应长度的占位符，默认逻辑会过滤长度不足的无效值
• 冗余前后缀不需要提前枚举规则，锚点匹配逻辑会自动剔除MP前后超出长度的无关字符

内容的提问来源于stack exchange，提问作者Khalil Basir