Python从pandas列提取全量数字：解决str.extract正则匹配遗漏问题

你之前用的正则和方法存在两个核心错误，导致匹配不全：

• 正则([?:\s\d+]+)写法逻辑错误：方括号[]是单字符匹配集合，写在里面的?:不会生效为非捕获组标记，只会被识别为要匹配问号、冒号两个普通字符；集合内的\d+也会被拆分为匹配数字、加号两个单字符，整个正则的实际逻辑是连续抓取所有空白、数字、问号、冒号、加号字符，碰到第一个不在这个集合里的字符（也就是示例中86529后面的字母P）就会停止匹配，自然抓不到后面的91897。
• pandas的.str.extract()方法默认仅返回第一个匹配到的分组结果，就算正则逻辑正确，不用全局匹配方法也无法拿到字符串里所有符合要求的数字。

要实现「无论数字前后存在字母、空格或特殊字符，提取所有数字实例」的需求，直接用.str.findall()匹配连续数字序列即可，不需要额外写多余的匹配规则：

import pandas as pd

# 测试用例
s = pd.Series(['86531 86530 86529PIP 91897PIP'])

# 提取所有数字，返回结果为每个元素对应数字列表
num_list = s.str.findall(r'\d+')

上述代码对测试行的返回结果为['86531', '86530', '86529', '91897']，覆盖了所有出现的数字。
如果需要把提取后的数字用空格拼接为单字符串，追加一步join操作即可：

num_str = s.str.findall(r'\d+').str.join(' ')

此时测试行的返回结果为86531 86530 86529 91897。

• 正则\d+的规则是匹配任意连续1位及以上的数字，完全不需要额外匹配数字前后的其他字符，天然适配「不管前后是什么内容，只抓数字」的需求
• .str.findall()会全局扫描整个字符串，返回所有符合匹配规则的结果，不会碰到第一个非匹配字符就终止匹配。

内容的提问来源于stack exchange，提问作者Hector Rojo