Python如何从混合数据类型列中提取10位及以上长度的数字

问题根因 #

之前使用regex、lambda、apply/map时出现整列被识别为单个字符串的核心原因是Column2列混合了数值、字符串等多种数据类型，pandas做类型推断时未逐行按字符串处理，直接传参会触发类型适配异常。不需要使用split方法逐段切分，基于正则逐行扫描即可覆盖文本、数字混杂的场景。

实现逻辑 #

• 第一步：将Column2列所有值统一强制转换为字符串类型，从根源解决混合类型导致的识别异常
• 第二步：用正则规则\d{10,}逐行扫描文本，提取所有连续10位及以上的纯数字段，自动跳过普通文本、短数字、不符合长度要求的内容
• 第三步：将匹配结果写入Column3列，无匹配内容的行返回空值

可直接运行的代码 #

import pandas as pd
import re

# 生成临时字符串列，统一类型避免识别异常
df['col2_tmp'] = df['Column2'].astype(str)

# 定义逐行提取规则
def extract_long_num(content):
    match_result = re.findall(r'\d{10,}', content)
    # 多匹配结果用逗号拼接，无匹配返回空字符串
    return ','.join(match_result) if match_result else ''

# 生成结果列
df['Column3'] = df['col2_tmp'].apply(extract_long_num)

# 清理临时列
df.drop(columns=['col2_tmp'], inplace=True)

自定义调整说明 #

• 如果需要排除带小数点的数值里的数字段（比如不希望从3.14159265358979这类小数中提取长数字），可以将正则替换为r'(?<!\.)\d{10,}(?!\.)'，仅匹配前后无小数点的连续长数字
• 如果一行存在多个符合要求的长数字、且仅需要保留第一个匹配结果，将返回逻辑修改为return match_result[0] if match_result else ''即可
• 如果需要空值为pandas标准缺失值格式，将无匹配时的返回值从空字符串''替换为pd.NA即可

内容的提问来源于stack exchange，提问作者ross jim