如何用正则从Pandas DataFrame抽取指定内容生成新列

错误原因 #

你原有的正则r'Thrown: lib: (.*(?:\r?\n.*)*)'会捕获Thrown: lib:之后的全部内容，不符合「仅匹配到第一个换行前」的需求。

完整实现代码 #

import pandas as pd

# 初始化DataFrame
data = {'c1':['Level:     LOGGING_ONLY\n Thrown: lib: this is problem type 01\n \t\n \tError executing the statement: error statement 1\n', 
              'Level: NOT_LOGGING_ONLY\n Thrown: lib: this is problem type 01\n \t\n \tError executing the statement: error statement 3\n', 
              'Level:     LOGGING_ONLY\n Thrown: lib: this is problem type 02\n \t\n \tError executing the statement: error statement2\n', 
              'Level: NOT_LOGGING_ONLY\n Thrown: lib: this is problem type 04\n \t\n \tError executing the statement: error statement1\n'],
        'c2':["one", "two", "three", "four"]}
df = pd.DataFrame(data)

# 抽取c3（group 01）：匹配Thrown: lib:后到第一个换行前的内容，自动去除首尾多余空格
df['c3'] = df['c1'].str.extract(r'Thrown: lib:\s*(.*?)\s*\n', expand=False)

# 抽取c4：跳过group 01后所有换行、制表符、空白字符，匹配到下一个换行前的内容
df['c4'] = df['c1'].str.extract(r'Thrown: lib:.*?\n[\s\t\n]*(.*?)\s*\n', expand=False)

# 调整列顺序为你需要的最终结构
df = df[['c1', 'c3', 'c4', 'c2']]

正则说明 #

• 抽取c3的正则r'Thrown: lib:\s*(.*?)\s*\n'：
  • \s*匹配Thrown: lib:后可能存在的多余空格
  • .*?为非贪婪匹配，会在遇到第一个\n时停止匹配
  • 尾部\s*会自动去除捕获内容末尾的多余空格，不需要额外做清洗
• 抽取c4的正则r'Thrown: lib:.*?\n[\s\t\n]*(.*?)\s*\n'：
  • 先匹配到group 01的末尾换行
  • [\s\t\n]*跳过两段内容之间所有的空白、换行、制表符
  • 同样用非贪婪匹配拿到下一个换行前的有效内容

内容的提问来源于stack exchange，提问作者Catarina Nogueira