如何在pandas DataFrame的文本列中提取giraffe+四位数字格式的子串

核心问题原因 #

原有代码的错误点在于生成Giraffe_numbers列时，每次切片都调用了Giraffe_Index整列的最大值作为起止位置，没有逐行读取每行对应的索引值，导致所有行都用了同一个切片范围。

最优实现方案（推荐） #

直接使用pandas内置的str.extract方法，通过正则匹配直接提取目标格式内容，无需手动计算索引，代码更简洁容错性更高：

import pandas as pd
file_path = 'test.csv'
data = pd.read_csv(file_path)

# 正则匹配giraffe+4位数字的格式，括号内为需要提取的内容
data['Giraffe_numbers'] = data['text'].str.extract(r'(giraffe\d{4})')
# 可选：保留Giraffe_Present标记列，匹配到内容为True，否则为False
data['Giraffe_Present'] = data['Giraffe_numbers'].notna()

# 导出结果到新csv文件
data.to_csv('new_test.csv', index=False)
print(data)

兼容原有逻辑的修改方案 #

如果你需要沿用手动计算索引的实现思路，只需要调整最后生成Giraffe_numbers的逻辑，改为按行遍历读取当前行的索引值即可：

import pandas as pd
file_path = 'test.csv'
data = pd.read_csv(file_path)
sub = "giraffe"

data['Giraffe_Present'] = data['text'].str.contains(sub)
data["Giraffe_Index"] = data['text'].str.find(sub)
# axis=1表示按行遍历，直接取当前行的索引值计算切片范围
data['Giraffe_numbers'] = data.apply(
    lambda row: row['text'][row['Giraffe_Index']:row['Giraffe_Index']+11] if row['Giraffe_Present'] else None,
    axis=1
)

data.to_csv('new_test.csv', index=False)
print(data)

内容的提问来源于stack exchange，提问作者sunrayk