Pandas正则匹配异常：提取带单位数值触发IndexError索引错误

错误原因分析 #

你遇到的IndexError: list index out of range，根源在两个细节上：

1. names函数的正则匹配不严谨：第二个正则((\d*)l)里的\d*允许匹配0个数字，这意味着如果文本里出现单独的l/L（比如单词末尾的L、无数字的L），这个正则会错误地匹配到它，返回类似L的空数字字符串给measure函数。
2. measure函数缺少空值防护：当传入的val不含任何数字时，re.findall会返回空列表，此时强行取[0]自然触发索引越界错误。

修复方案 #

我们从两个层面修正代码，同时优化整体逻辑：

1. 修正names函数，确保只匹配「有效数字+单位」组合

把允许0个数字的\d*改成要求至少一个数字的\d+，合并重复的正则搜索逻辑，同时用忽略大小写的规则简化单位匹配：

import re
import pandas as pd

def names(header):
    # 匹配ml相关单位（支持整数/小数、可选空格、大小写）
    ml_match = re.search(r'(\d+\.?\d*\s*ml)', header, flags=re.IGNORECASE)
    if ml_match:
        return ml_match.group()
    # 匹配l/L/lt/Lt相关单位（规则同上）
    l_match = re.search(r'(\d+\.?\d*\s*(?:l|lt))', header, flags=re.IGNORECASE)
    if l_match:
        return l_match.group()
    # 无匹配返回None
    return None

这里的正则优化点：

• \d+\.?\d*：兼容整数（如12）和小数（如12.5）
• \s*：允许数字和单位之间有0个或多个空格
• flags=re.IGNORECASE：不用单独枚举ML、mL等大小写变体
• (?:l|lt)：非捕获组，统一匹配l/L/lt/Lt单位

2. 给measure函数增加空值判断，避免索引越界

在提取数字前先检查有效性，同时简化单位判断逻辑：

def measure(val):
    if not val:
        return None
    # 提取数字部分
    num_match = re.search(r'(\d+\.?\d*)', val)
    if not num_match:
        return None
    num = float(num_match.group())
    # 判断单位并转换
    if re.search(r'ml', val, flags=re.IGNORECASE):
        return num
    elif re.search(r'(l|lt)', val, flags=re.IGNORECASE):
        return num * 1000
    return None

3. 修正DataFrame拼接逻辑

原代码中dropna()会导致行数不匹配，直接对apply(names)的结果调用measure即可，让measure处理None的情况：

# 构造测试DataFrame
df = pd.DataFrame({
    'text': [
        '1234567-CAR WA GK5 9x78x90 12L',
        '3456789 TOP-L BD3 195x169x62 TopL'
    ]
})

# 生成结果
df_result = pd.concat([
    df['text'],
    df['text'].apply(names).rename('text extract'),
    df['text'].apply(names).apply(measure).rename('Return')
], axis=1)

# 把None替换为预期的'-'
df_result = df_result.fillna('-')

最终输出结果 #

运行修正后的代码，得到完全符合预期的输出：

内容的提问来源于stack exchange，提问作者sanjana jha