如何在Pandas中使用正则表达式提取指定字段后的作者名？

嘿，我来帮你搞定这个正则提取的问题～你之前用split的方法可行，但正则其实更灵活，能适配更多格式变化的情况。

首先，你之前尝试的df.str.extract("first author:(.*?)")没成功，大概率是因为.*?是非贪婪匹配，它会匹配尽可能少的字符，在没有明确终止标记的情况下，可能只匹配到空字符串或者很短的内容。咱们调整一下正则表达式就能解决：

正确的正则写法 #

你需要匹配first author:之后的所有内容直到字符串结尾，结合你的文本格式，用下面的代码就可以：

# 假设你的目标列名为'EntrezUID'，和你之前用的一致
df['author_name'] = df['EntrezUID'].str.extract(r'first author:\s*(.*)$')

代码细节解释 #

• r'first author:\s*(.*)$'：
  • r 表示原始字符串，避免转义字符的干扰；
  • first author: 精确匹配固定前缀；
  • \s* 匹配0个或多个空格（适配冒号后可能有空格的情况，比如first author: REAGAN RL）；
  • (.*) 捕获所有后续字符（贪婪匹配，会一直取到字符串末尾）；
  • $ 匹配字符串结尾，确保我们取到的是first author:之后的全部内容。

示例验证 #

假设你的数据框是这样的：

import pandas as pd

data = {
    'EntrezUID': [
        'create date:1953/01/01 | first author:REAGAN RL',
        'create date:2000/05/10 | first author:SMITH JD',
        'first author:WILSON AE'  # 极端情况：只有作者信息
    ]
}
df = pd.DataFrame(data)

# 提取作者名
df['author_name'] = df['EntrezUID'].str.extract(r'first author:\s*(.*)$')

print(df)

输出结果会是：

EntrezUID author_name
0  create date:1953/01/01 | first author:REAGAN RL    REAGAN RL
1  create date:2000/05/10 | first author:SMITH JD      SMITH JD
2                          first author:WILSON AE     WILSON AE

进阶适配：如果作者名后还有其他内容 #

如果你的文本格式偶尔会出现first author:XXX | other info:YYY这种情况，只需要把正则调整为：

df['author_name'] = df['EntrezUID'].str.extract(r'first author:\s*(.*?)\s*\|')

这里的.*?非贪婪匹配会在遇到下一个|时停止，精准提取作者名。

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