Pandas如何精准替换DataFrame指定后缀避免字符串误匹配？

问题原因 #

你当前的写法没有限定匹配位置，会替换字符串中任意位置出现的目标字符，同时.在正则规则中属于通配符，也会增加误匹配概率。另外如果短后缀（如.co）先于长后缀（如.co.jp）执行替换，还会导致长后缀无法被正常识别。

实现代码 #

import re

# 不要用list作为变量名，避免覆盖Python内置关键字
suffix_list = ['.com','.co','.de','.co.jp','.co.uk','.lk','.it','.es','.ua','.bg','.at','.kr']
# 按后缀长度倒序排列，优先匹配更长的后缀，避免短后缀提前截断长后缀
suffix_list_sorted = sorted(suffix_list, key=lambda x: -len(x))
# 生成正则规则：自动转义特殊字符 + 行尾锚点$限定只匹配末尾的后缀
pattern = '|'.join([f'{re.escape(suffix)}$' for suffix in suffix_list_sorted])
# 开启正则模式，一次性完成全部替换
df['source'] = df['source'].str.replace(pattern, '', regex=True)

效果说明 #

• 字符串siliconvalley.co会被正确替换为siliconvalley
• 字符串example.co.jp会被正确替换为example
• 包含中间字符co的字符串siliconvalleycore.com只会替换末尾的.com，得到siliconvalleycore，不会误替换中间的co字符

内容的提问来源于stack exchange，提问作者Dhiraj D