基于正则表达式处理Pandas DataFrame的PN列，生成DOB列与异常数据标记列

嘿，这事儿好办！咱们用Pandas结合正则表达式就能轻松搞定，既能提取出正确的出生日期（YYMMDD），又能把有问题的数据标记出来，还不会丢失任何原始数据~

第一步：先构造你的示例数据 #

首先咱们把你给出的示例数据转换成Pandas DataFrame，方便后续处理：

import pandas as pd

# 构造示例数据
data = {
    "PN": ["800204-1567", "470205-1368", "550107-Y001"],
    "Analysis": ["240508", "220608", "230608"]
}
df = pd.DataFrame(data)

第二步：编写处理逻辑 #

接下来我们用正则表达式实现两个需求：提取正确的DOB列，标记有问题的Problem列：

# 提取PN列中前6位纯数字作为DOB，不符合的返回空字符串
df["DOB"] = df["PN"].str.extract(r'^(\d{6})-', expand=False).fillna("")

# 标记不符合「6位数字-4位数字」格式的PN数据，符合的留空
df["Problem"] = df["PN"].where(~df["PN"].str.match(r'^\d{6}-\d{4}$'), "")

第三步：查看处理结果 #

运行上面的代码后，你的DataFrame就会变成想要的样子：

代码逻辑解释 #

• 提取DOB列：str.extract(r'^(\d{6})-', expand=False) 会匹配以6位数字开头、后面紧跟-的片段，提取这6位数字作为出生日期；如果前6位不是纯数字或者没有-，就会返回NaN，我们用fillna("")把空值转换成空字符串，让表格更整洁。
• 标记Problem列：str.match(r'^\d{6}-\d{4}$') 会检查PN是否完全符合「6位数字-4位数字」的标准格式，~表示取反，where方法会把不符合格式的PN保留在Problem列，符合格式的则设为空字符串。

如果你的错误判断标准只是「前6位包含字母」，那可以把Problem列的代码改成这样：

# 仅标记前6位不是纯数字的PN数据
df["Problem"] = df["PN"].where(~df["PN"].str[:6].str.isdigit(), "")

备注：内容来源于stack exchange，提问作者Sofie