如何使用Pandas组合独立正则表达式并批量处理数据集行提取格式化内容

核心匹配正则 #

按高优先级长模式在前、低优先级短模式在后的原则整合，避免短规则截断长编号的问题，完整正则为：
r"\d{2,3}-\d{3}-\d{3}\w*|\d{2}-\d{4}\w?|[A-Z][a-z]+"

分支匹配规则说明 #

• 第一分支（最高优先级）：匹配长编号，严格对应规则2：2-3位数字开头，通过两个连字符分隔3位数字的三段结构，允许编号后跟随单词字符作为后缀，不会截断长编号的前半段
• 第二分支：匹配短编号，严格对应规则3：2位数字开头，连字符后接4位数字，允许末尾带1个单字符后缀，因为严格限制了数字段长度，不会误匹配长编号的片段
• 第三分支：匹配人名，对应规则1：仅识别首字母大写、后续为小写字母的连续英文单词，避免将全小写的连接词（如and）误判为人名

Pandas 实现代码 #

import pandas as pd
import re

# 定义整合后的匹配规则
COMBINED_RULE = r"\d{2,3}-\d{3}-\d{3}\w*|\d{2}-\d{4}\w?|[A-Z][a-z]+"

# 基于输入列生成Wanted新列
df["Wanted"] = df["Column0"].str.findall(COMBINED_RULE).str.join(", ")

匹配效果验证 #

对示例测试串的输出完全符合预期：

之前匹配异常的原因 #

• 原有代码使用re.search仅提取第一个匹配项，无法收集整行所有目标内容，需要替换为findall遍历全串匹配
• 短编号规则设置过松：允许2-3位数字开头、后接3-4位数字，导致长编号的前两段（如12-345）被误判为短编号匹配
• 正则分支顺序倒置：短规则排在长规则之前，被优先匹配截断了长编号内容
• 人名匹配无边界：未限定首字母大写特征，会混入非目标的普通英文单词

内容的提问来源于stack exchange，提问作者Kevin Zehnder