pandas结合正则生成计算列时行匹配结果拼接异常如何解决？

错误原因 #

你之前的写法中str(df['part'])是将整个part列的Series对象转为打印用的格式化字符串，包含了所有行的取值、列名、数据类型等全部信息，因此正则匹配会提取到所有行符合条件的字符，最终得到的是全局拼接结果，而非逐行计算的结果。

解决方法 #

方法1：使用apply逐行处理（逻辑和你单字符串测试完全一致，写法简单） #

直接对part列的每个值单独应用你之前的正则逻辑即可：

import re
import pandas as pd

# 写法1：单独定义处理函数
def parse_group(part_val):
    return "-".join(re.findall(r'[A-Za-z]{2,}', part_val))

df['group'] = df['part'].apply(parse_group)

# 写法2：用lambda简化代码
# df['group'] = df['part'].apply(lambda x: "-".join(re.findall(r'[A-Za-z]{2,}', x)))

方法2：使用pandas原生字符串方法（性能更高，适合大数据量场景） #

用pandas自带的str.extractall批量匹配所有符合规则的子串，再按行拼接：

df['group'] = df['part'].str.extractall(r'([A-Za-z]{2,})').groupby(level=0).agg('-'.join)

最终输出效果 #

针对你给出的样例数据，两种方法都可以得到预期结果：

内容的提问来源于stack exchange，提问作者Shreko