如何在Pandas DataFrame中精准提取文本内括号包裹的年份数字

问题根因 #

此前直接使用\d\d\d\d做正则匹配没有前置上下文约束，只要字符串中出现连续四位数字就会被命中，因此碰到Νόμος 4000 (1962)这类文本时，会优先匹配到括号外的4000，无法拿到括号内的目标年份。

核心正则优化 #

把匹配范围锁定在左括号紧跟四位数字的结构上，通过捕获组提取括号内的数字内容，从规则上排除括号外的四位数字干扰。
基础适配正则：
\((\d{4})\)

• 规则逻辑：匹配字面意义的英文左括号(，紧跟连续四位阿拉伯数字，其中四位数字被纳入捕获组，是最终需要提取的目标值
• 鲁棒性拓展：如果需要兼容括号与数字之间存在空格的场景（如( 1990 )），可将正则调整为\(\s*(\d{4})\s*\)，通过\s*匹配零到多个空白字符，适配不同排版的多语种文本

完整实现步骤 #

1. 加载构造示例DataFrame

import pandas as pd
# 构建多语种文本示例数据
text_list = [
    "Césio 137 - O Pesadelo de Goiânia (1990)",
    "Nattbuss 807 (1997)",
    "Νόμος 4000 (1962)"
]
df = pd.DataFrame({"source_text": text_list})

2. 调用字符串方法提取目标年份

# 提取括号内的四位年份值
df["extracted_year"] = df["source_text"].str.extract(r'\((\d{4})\)')

3. 结果验证
   运行后extracted_year列的输出完全符合预期：

1990
1997
1962

方案特性 #

• str.extract方法会自动返回正则中捕获组的内容，不会将匹配到的括号字符一并返回
• 规则强制要求四位数字必须紧跟在左括号之后，从根源上规避文本中夹带的其他四位数字（如示例中的4000）造成的误匹配
• 对带特殊字符的多语种文本无额外解析要求，不依赖特定语言的识别能力，适配性广

内容的提问来源于stack exchange，提问作者SAI SRIKAR