如何从pandas列存储的URL中提取指定子串并存入新列

原有代码存在两个错误：

• 匿名函数内部误用了未定义的变量st，应该替换为当前遍历的变量x
• find("/")只会匹配第一个斜杠的位置，无法定位到目标子串前的最后一级路径斜杠

方案1：使用pandas内置str.extract（推荐） #

用正则匹配直接提取目标片段，性能远高于apply，代码更简洁：

import pandas as pd

s = pd.Series(['https://url-location/img/xxxyyy_image1.png'])
# 提取目标子串，expand=False返回Series而非DataFrame
extracted = s.str.extract(r'.*/([^_]+)_.*', expand=False)

# 若是DataFrame要存入新列，写法为：
# df['new_col'] = df['url_col'].str.extract(r'.*/([^_]+)_.*', expand=False)

正则说明：.* / 贪婪匹配到最后一个斜杠位置，([^_]+) 捕获所有非下划线的字符（即目标子串xxxyyy），后续_.*匹配下划线后的剩余内容。

方案2：修正原有apply写法 #

如果坚持使用切片逻辑，修正后写法如下：

extracted = s.apply(lambda x: x[x.rfind("/")+1 : x.find("_", x.rfind("/")+1)])

逻辑说明：用rfind("/")定位最后一个斜杠的索引，作为切片起始位置，再从该起始位置往后查找第一个下划线的索引作为切片结束位置。

内容的提问来源于stack exchange，提问作者kms