如何修改pandas df列str.extract所用regex以正确提取地址地块信息

问题场景 #

DataFrame的Addr列存储标准地址文本，需要提取地址开头标注的地块编号生成独立Lot列，样例数据如下：

df['Addr']
LT 75 CEDAR WOOD 3RD PL
LTS 22,25 & 26 MULLINS CORNER
LTS 7 & 8
PT LT 22-23 JEFFERSON HIGHLANDS EXTENSION

预期提取结果：

df['Lot']
75
22,25 & 26
7 & 8
22-23

初始使用的提取代码如下，运行后逗号、&连接的多地块编号只能抓到第一个数字段，结果不符合要求：

df['Lot'] = df['Addr'].str.extract(r'\b(?:LOT|LT|LTS?) (\w+(?:-\d+)*)')
# 实际输出
# 75
# 22
# 7
# 22-23

问题原因 #

初始正则的捕获组规则只覆盖了「纯数字」「数字-数字」两种单地块/连字符连接的连续地块格式，没有把逗号、&（含转义格式&）识别为地块编号的合法连接符，匹配到第一个数字后碰到逗号/&就直接终止，导致多地块内容截断。

修改方案 #

调整捕获组规则，将逗号、&、横杠都纳入编号连接符的匹配范围，匹配到第一个非编号相关的字符（也就是后续路名的首字母）时自动停止，修改后代码如下：

# 适配&转义为&的存储场景
df['Lot'] = df['Addr'].str.extract(r'\b(?:LOT|LT|LTS?) ((?:\d+[,&-]?\s*(?:&)?\s*)+)')

如果地址中存储的是原生&字符而非转义后的&，可以用更简洁的正则版本：

df['Lot'] = df['Addr'].str.extract(r'\b(?:LOT|LT|LTS?) ((?:\d+[,&-]?\s*&?\s*)+)')

运行上述代码后，样例数据的提取结果和预期完全一致。

内容的提问来源于stack exchange，提问作者amnesic