Python pandas基于DataFrame现有列提取指定模式生成新列

需求说明 #

需要基于DataFrame的现有crate列创建新列main_cr，取值规则为：提取crate列值中第一个冒号之后、最后一个冒号之前的内容（不包含首尾冒号）。

原始数据 #

site        stat    crate   
JJ - site 1 ok      JD1:0055:AB5.30:100 
JJ - site 1 ok      JD1:00AB:AB5.30:111 
J1 - site 2 fail    JD1:00AA:AB5.30:200 
JJ - site 1 ok      JD1:00A:AB5.30:555  
CC - site 8 fail    CC5:01AAA:BA8.40:777    

期望输出 #

site        stat    main_cr        crate
JJ - site 1 ok      0055:AB5.30    JD1:0055:AB5.30:100
JJ - site 1 ok      00AB:AB5.30    JD1:00AB:AB5.30:111
J1 - site 2 fail    00AA:AB5.30    JD1:00AA:AB5.30:200  
JJ - site 1 ok      00A:AB5.30     JD1:00A:AB5.30:555
CC - site 8 fail    01AAA:BA8.40   CC5:01AAA:BA8.40:777 

现存问题 #

当前尝试的正则代码存在语法错误、匹配范围过窄的问题，无法得到正确结果：

df['main_cr']=df['crate'].str.extract(r':(\d):.*):')

具体错误点：

• 正则括号不配对，语法不合法
• \d仅能匹配单个数字，无法覆盖目标内容中的字母、点号、多段冒号分隔的文本
• 没有锚定字符串首尾位置，容易出现匹配错位

正确实现代码 #

使用正则锚定首尾结构，捕获第一个冒号到最后一个冒号之间的所有内容即可：

import pandas as pd

# 提取目标内容
df['main_cr'] = df['crate'].str.extract(r'^[^:]+:(.*):[^:]+$')
# 按期望顺序调整列顺序
df = df[['site', 'stat', 'main_cr', 'crate']]

正则逻辑说明 #

• ^[^:]+:：匹配字符串开头到第一个冒号的所有内容，跳过第一个冒号前的前缀部分
• (.*)：捕获组，贪婪匹配模式下会自动匹配到最后一个冒号之前的所有内容，也就是需要的目标值
• :[^:]+$：匹配最后一个冒号到字符串结尾的后缀部分，确保前面的捕获组不会越界
  该写法兼容中间段包含任意数量冒号、字母、数字、特殊符号的场景，不需要提前固定分隔段数。

内容的提问来源于stack exchange，提问作者Lynn