You need to enable JavaScript to run this app. Python pandas从表格列提取指定字符串,解决下划线数量不固定问题
优惠活动
大模型
产品
解决方案
定价
更多

Python pandas从表格列提取指定字符串,解决下划线数量不固定问题

问题原因与修改方案

原代码的问题根源

你之前使用的正则匹配存在贪婪匹配的特性问题:

写的替换规则'.*_'里,.*会从字符串开头尽可能匹配最长的内容,直到捕获到整个字符串里最后一个下划线的位置,将该位置之前的所有内容替换为空。
面对带额外后缀的长字符串(比如U_b98652_Feb88Apr88_(2).jpg.pdf)时,规则会一路匹配到Feb88Apr88_的位置,替换后剩余的是无关后缀(2).jpg.pdf,完全无法匹配预期输出。

可实现需求的两种修改方案

两种方法都可以自动兼容字符串中下划线数量不固定的场景,且不会对空值(NaN)报错:

方案1:分步字符串分割(逻辑最直观)

利用pandas字符串分割的n参数限制分割次数,先跳过前两个固定位置的下划线,再取核心段到下一个下划线之间的内容:

import pandas as pd

df = pd.read_excel(open(r'Dats.xlsx', 'rb'), sheet_name='Sheet1')

df['Col2'] = (
    df['Col1']
    # 仅分割前2个下划线,将字符串拆分为3段
    .str.split('_', n=2)
    # 取第3段(也就是第二个下划线之后的所有剩余内容)
    .str[2]
    # 对剩余内容按下划线再次分割
    .str.split('_')
    # 取分割后的第一块,即我们需要的核心日期文本
    .str[0]
)

print(df['Col2'])

方案2:正则表达式直接提取(代码更简洁)

通过正则固定匹配前两段的结构,直接捕获第三段里到下一个下划线之前的内容,一步拿到目标值:

import pandas as pd

df = pd.read_excel(open(r'Dats.xlsx', 'rb'), sheet_name='Sheet1')

# 正则解释:
# ^[A-Za-z]_[a-zA-Z0-9]+_  固定匹配开头的单字母+下划线+字母数字ID段+下划线的结构
# ([^_]+)  捕获后续所有非下划线的字符,直到碰到下一个下划线为止
df['Col2'] = df['Col1'].str.extract(
    r'^[A-Za-z]_[a-zA-Z0-9]+_([^_]+)',
    expand=False
)

print(df['Col2'])

运行结果验证

针对你提供的原始数据,两种方法运行后得到的Col2结果完全匹配预期:

  • Jan87Apr88
  • Feb88Apr88
  • mar89Apr89
  • Apr90Apr91
  • Apr90Apr91
  • may91Apr93
  • NaN

内容的提问来源于stack exchange,提问作者Manz

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.23 02:36:04