基于已有pandas DataFrame创建新列提取文件版本与销售ID

你可以用pandas内置的字符串处理方法实现需求，两种常用实现方式如下：

方式1：正则提取（推荐，适配固定文件名格式场景） #

直接通过str.extract匹配你文件名中{sales_id}_{version}.snappy.parquet的固定格式，一步提取两个目标字段：

import pandas as pd

# 假设你的原DataFrame变量名为df
# 正则分组分别匹配sales_id和version
df[["sales_id", "version"]] = df["key"].str.extract(r"(\d+)_(\d+)\.snappy\.parquet")

# 可选：将两个字段转为整数类型
df["sales_id"] = df["sales_id"].astype(int)
df["version"] = df["version"].astype(int)

# 移除不需要的last_modified_time列，得到目标结构
df = df.drop(columns=["last_modified_time"])

方式2：字符串拆分（适配文件名后缀可变场景） #

如果后续你的文件后缀可能变化，可以通过分层拆分路径、文件名实现字段提取：

# 提取最后一级路径的文件名
df["file_name"] = df["key"].str.split("/").str[-1]
# 去掉文件后缀后按下划线拆分得到两个目标字段
df[["sales_id", "version"]] = df["file_name"].str.rsplit(".", n=1).str[0].str.split("_", expand=True)

# 类型转换+清理冗余列操作和方式1一致
df["sales_id"] = df["sales_id"].astype(int)
df["version"] = df["version"].astype(int)
df = df.drop(columns=["file_name", "last_modified_time"])

两种方式运行后得到的df结构和你需要的目标结果完全一致。

内容的提问来源于stack exchange，提问作者Dcook