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
相关产品推荐

