Python如何提取DataFrame内存储的URL片段中的数字运动员ID

直接使用Pandas内置的str.extract方法配合正则表达式提取，无需手动遍历循环，效率更高、逻辑更稳定：

# 直接提取ID存入新列athleteID，提取结果为字符串格式
df2['athleteID'] = df2['athleteURL'].str.extract(r'athleteNumber=(\d+)')

# 如果需要转换为整数格式，可添加astype转换
df2['athleteID'] = df2['athleteURL'].str.extract(r'athleteNumber=(\d+)').astype(int)

# 如果需要单独提取为列表使用
athlete_id_list = df2['athleteID'].tolist()

方案说明 #

• 正则表达式r'athleteNumber=(\d+)'中，\d+匹配连续的数字，括号标记的分组会被str.extract直接捕获返回
• 该方法是Pandas的向量化操作，底层由C实现，数据量越大相比手动Python循环的效率优势越明显
• 适配性更强，不受HTML片段其他属性变化、URL参数顺序变化的影响，只要athleteNumber参数存在就能正确提取到对应数字

原方法存在的问题 #

1. 手动遍历循环效率低，数据量过大会有明显的性能瓶颈
2. 固定取索引位置的逻辑非常脆弱，只要URL结构、参数、HTML属性有一点变化，就会出现取错值的问题

内容的提问来源于stack exchange，提问作者gcc72