Pandas遍历循环保留索引：解决URL提取后DataFrame索引不匹配问题

这个问题我太熟了！你遇到的核心问题是提取URL的结果没有和原DataFrame的行索引保持严格对齐——比如有的行没提取到URL时你可能返回了None或者直接跳过了，导致最终生成的extracted_url列表长度和原DataFrame行数不一致，赋值时就会出现索引错位。

快速解决方案：用apply逐行处理 #

用Pandas的apply方法可以完美解决索引对齐的问题，它会自动把每一行的处理结果和原行的索引绑定，不会错位。

步骤1：写一个URL提取函数

先定义一个能从文本里提取URL的函数，顺便处理空文本的情况：

import re
import pandas as pd

def extract_urls(text):
    # 匹配常见的URL格式（可根据你的需求调整正则规则）
    url_regex = r'\b(?:https?://|www\.)\S+|\b\w+\.\w+\b'
    # 把text转成字符串，避免非文本类型数据报错
    urls_found = re.findall(url_regex, str(text))
    # 没有URL就返回空列表，保证每一行都有对应值
    return urls_found if urls_found else []

步骤2：应用到DataFrame

直接对text列调用apply，赋值给extracted_url列：

# 假设你的原数据集是my_data
my_data['extracted_url'] = my_data['text'].apply(extract_urls)

为什么之前会出错？ #

如果之前你用了循环遍历或者过滤式的列表推导（比如[extract_urls(t) for t in my_data['text'] if t]），这种写法会跳过空文本的行，导致生成的列表长度比原DataFrame短。Pandas在赋值时会严格按照索引匹配，自然就会出现值和对应行错位的情况。

而apply会遍历每一行，不管text是否为空，都会返回一个结果（空列表），保证结果的长度和原DataFrame完全一致，索引也就自动对齐了。

验证结果 #

运行完代码后，你的DataFrame会变成这样：

username                 date                          text          extracted_url
0   sports  2018-05-08 13:20     something google.com          [google.com]
1   sports  2018-05-08 12:34     two links google.com yahoo.com  [google.com, yahoo.com]
2   sports  2018-05-08 12:34     some text without links        []
3   sports  2018-05-08 12:34     google.com                  [google.com]

内容的提问来源于stack exchange，提问作者Imo