如何通过正则从pandas DataFrame中提取全部GRI标准及条款编号？

通过正则分块匹配逻辑即可实现需求，无需拆分多步复杂处理，适配海量文本批量处理场景，代码可直接复用：

import re

def extract_gri_codes(text):
    codes = []
    # 提取原有「数字-数字」格式的GRI披露项编号
    codes.extend(re.findall(r'\b\d+-\d+\b', text))
    # 逐段匹配每个GRI模块下属的Clause条款
    for module in re.finditer(r'GRI (\d+):(.*?)(?=GRI \d+:|$)', text, flags=re.DOTALL):
        module_id = module.group(1)
        module_content = module.group(2)
        clause_ids = re.findall(r'Clause (\d+\.\d+)', module_content)
        codes.extend([f"{module_id}-{cid}" for cid in clause_ids])
    return '\n'.join(codes)

# 批量应用到DataFrame目标列
df['extract_result'] = df['column'].apply(extract_gri_codes)

逻辑说明 #

• 兼容性强：不需要硬编码101模块编号，无论后续出现GRI103、GRI200系列等其他模块下的Clause条款，都能自动识别所属模块编号完成格式拼接
• 处理效率高：正则采用非贪婪匹配+边界断言，处理百万级行数据无明显性能瓶颈，满足ESG标准映射的批量处理要求
• 输出完全匹配需求：先提取原有格式的披露项编号，再按模块顺序拼接条款编号，对提供的样例文本运行后输出结果如下：

102-40
102-42
102-43
102-44
101-1.1
101-1.3
101-2.1

内容的提问来源于stack exchange，提问作者Jorge