Pandas DataFrame 如何使用正则提取Purchase Id及对应数字

核心正则逻辑 #

要匹配目标片段，正则需要覆盖三个要素：

• 固定起始匹配锚点：从字面量Purchase Id:开始匹配，避免匹配到文本中其他包含该关键词的无关片段
• 中间分隔符匹配：用\s*兼容冒号后可能出现的任意数量空白（空格、制表符等），适配格式不统一的文本场景
• 数字段匹配：用\d+匹配后续所有连续数字，遇到非数字字符（如示例中数字后接空格、Charge Id的位置）自动停止匹配，刚好截取到数字结束的位置，完全不会把后续的Charge Id内容混入提取结果

最终适配需求的基础正则为：r'(Purchase Id:\s*\d+)'，外层括号为正则捕获组，是pandas文本提取方法正常返回内容的必要配置。

代码实现步骤 #

1. 加载并准备示例数据 #

构造与你提供的场景完全一致的测试DataFrame，便于验证效果：

import pandas as pd

# 构造示例数据
df = pd.DataFrame({
    "Description": [
        "Online order Purchase Id: 14527903 Charge Id: 11111111",
        "Online order Purchase Id: 90762134 Charge Id: 33345872"
    ]
})

2. 执行文本提取 #

调用pandas内置的str.extract方法，逐行匹配目标片段：

df["Extracted_Content"] = df["Description"].str.extract(r'(Purchase Id:\s*\d+)', expand=False)

运行后得到的Extracted_Content列内容与期望的提取结果完全一致：

• 第一行返回Purchase Id: 14527903
• 第二行返回Purchase Id: 90762134

常见场景适配调整 #

• 若遇到大小写不统一的文本（如小写purchase id写法），可导入re模块后在提取时增加忽略大小写参数：df["Description"].str.extract(r'(Purchase Id:\s*\d+)', expand=False, flags=re.IGNORECASE)
• 若需要单独提取数字部分（不保留Purchase Id:前缀），可将捕获组位置调整到数字段：正则改为r'Purchase Id:\s*(\d+)'，提取结果就会只返回纯数字字符串
• 若匹配失败（对应行没有符合格式的内容），方法会自动返回NaN，可直接用于后续异常数据筛选

内容的提问来源于stack exchange，提问作者greycat90