如何将HTML标签移除逻辑应用到Pandas整列数据？

嘿，我懂你碰到的麻烦了：处理单个单元格的HTML标签没问题，但把逻辑扩展到整列时就报错了。咱们先搞清楚为啥之前的方法不行，再给你两个靠谱的解决方案。

为啥之前的方法会报错？ #

• 方法一的问题：re.sub()是用来处理单个字符串的，而你传给它的new_read是Pandas的Series（一整列数据），它根本不知道怎么处理这种类型，所以直接抛出TypeError: expected string or bytes-like object。
• 方法二的问题：apply()需要接收一个函数作为参数，而你直接把re.sub()的执行结果传进去了——这相当于你先给re.sub()喂了整列数据（同样会报错），再把错误结果传给apply，自然跑不起来。

正确的解决方案 #

方案1：用Pandas自带的str.replace（推荐，效率更高）

Pandas的字符串列（Series）有专门的str方法集，直接用str.replace就能批量处理整列，不用手动循环：

# 直接替换整列的HTML标签
df['description'] = df['description'].str.replace('<[^<]+?>', '', regex=True)

这里要记得加上regex=True，因为我们用了正则表达式匹配标签。

方案2：用apply结合自定义函数

如果你更习惯用re.sub的写法，也可以把处理逻辑封装成函数，再用apply批量应用到每个元素：

import re
import pandas as pd

def strip_html_tags(text):
    # 处理可能的空值（如果列里有NaN的话）
    if pd.isna(text):
        return text
    return re.sub('<[^<]+?>', '', text)

# 应用到整列
df['description'] = df['description'].apply(strip_html_tags)

或者用lambda函数简化成一行：

df['description'] = df['description'].apply(lambda x: re.sub('<[^<]+?>', '', x) if not pd.isna(x) else x)

验证效果 #

处理完之后，你可以随便挑个元素看看结果，比如：

print(df['description'][1])

应该就能得到和单个元素处理时一样的纯文本啦。

内容的提问来源于stack exchange，提问作者snow_fall