使用Pandas提取列中坐标时正则表达式失效返回NaN问题求助

嘿，我之前也碰到过一模一样的糟心事——正则在在线工具里明明能匹配，到了Pandas里却全返回NaN，真的挺挠头的！咱们一步步排查可能的原因，总能搞定：

1. 先确认原始字符串的真实模样 #

有时候我们肉眼看到的字符串和实际存储的不一样，比如藏着全角数字、不可见空格（比如非-breaking空格），或者坐标被引号、括号包裹但我们没留意。你可以先打印单个字符串的原始格式，看看有没有特殊字符：

# 取第一行数据查看真实内容
print(repr(data['geocode_result'].iloc[0]))

比如如果坐标是放在括号里的"上海 (31.2304, 121.4737)"，那正则就得调整成匹配括号内的内容：

p = r'\((?P<latitude>-?\d+\.\d+),\s*(?P<longitude>-?\d+\.\d+)\)'

2. 正则是否兼容所有坐标格式？ #

你的正则-?\d+\.\d+只能匹配带小数的坐标，但如果有整数形式的坐标（比如-123而不是-123.45），就会直接匹配失败。可以修改正则兼容整数和小数：

p = r'(?P<latitude>-?\d+(?:\.\d+)?).*?(?P<longitude>-?\d+(?:\.\d+)?)'

这里(?:\.\d+)?表示小数部分是可选的，还不会额外创建捕获组。

3. 开启DOTALL模式处理换行符 #

Pandas的str.extract默认情况下，正则里的.不会匹配换行符。如果你的geocode_result列里有换行（比如坐标单独在新一行），那.*?就跨不过换行，导致匹配失败。可以开启DOTALL模式：

import re
p = r'(?P<latitude>-?\d+\.\d+).*?(?P<longitude>-?\d+\.\d+)'
data[['latitude', 'longitude']] = data['geocode_result'].str.extract(p, flags=re.DOTALL, expand=True)

或者直接在正则开头加(?s)（DOTALL的简写）：

p = r'(?s)(?P<latitude>-?\d+\.\d+).*?(?P<longitude>-?\d+\.\d+)'

4. 检查列的类型和空值 #

如果geocode_result列不是纯字符串类型（比如object列混了非字符串值），或者有大量空值，也会导致提取失败。先做个简单检查：

# 查看列类型
print(data['geocode_result'].dtype)
# 统计空值数量
print(data['geocode_result'].isna().sum())
# 统一转成字符串类型
data['geocode_result'] = data['geocode_result'].astype(str)

快速测试正则匹配 #

你可以单独拿一个字符串测试正则，确认是不是正则本身的问题：

test_str = data['geocode_result'].iloc[0]
match = re.search(p, test_str)
if match:
    print("匹配成功！", match.groupdict())
else:
    print("匹配失败，得再调整字符串或正则！")

按这个流程排查，大概率能找到问题所在～

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