str.extract是pandas中用于从字符串中提取结构化信息的方法，它通过正则表达式定义的捕获组来匹配和提取数据，并返回dataframe；1. 使用str.extract可按正则表达式提取文本中的多个部分，如单词和数字；2. 若匹配失败，默认返回nan，可用fillna或dropna处理；3. 提取多个匹配项应使用str.extractall方法，其返回multiindex dataframe；4. 使用命名捕获组（如(?p
核心在于str.extract，它能帮你从文本中精准“抠”出你想要的信息，而且是以结构化的方式呈现。
解决方案
str.extract是Pandas库中Series对象的一个方法，专门用于提取字符串中的特定部分，这些特定部分由正则表达式定义。它返回一个DataFrame，每一列对应正则表达式中的一个捕获组。
基本用法如下：
立即学习“Python免费学习笔记（深入）”；
import pandas as pd data = {'text': ['apple 123', 'banana 456', 'cherry 789']} df = pd.DataFrame(data) # 提取文本中的单词和数字 pattern = r'([a-z]+) (d+)' extracted_data = df['text'].str.extract(pattern) print(extracted_data)
在这个例子中，pattern定义了两个捕获组：一个是小写字母组成的单词，一个是数字。str.extract会找到所有匹配这个模式的文本，并将单词和数字分别放到DataFrame的两列中。
如果正则表达式没有匹配到任何内容，str.extract会返回NaN。
data = {'text': ['apple 123', 'banana', 'cherry 789']} df = pd.DataFrame(data) pattern = r'([a-z]+) (d+)' extracted_data = df['text'].str.extract(pattern) print(extracted_data)
如何处理提取失败的情况？
当正则表达式没有匹配到内容时，str.extract会默认返回NaN。这在数据清洗和分析中可能不太方便。我们可以通过fillna方法将NaN替换为其他值，或者使用dropna方法删除包含NaN的行。
import pandas as pd data = {'text': ['apple 123', 'banana', 'cherry 789']} df = pd.DataFrame(data) pattern = r'([a-z]+) (d+)' extracted_data = df['text'].str.extract(pattern) # 将NaN替换为'Unknown'和0 extracted_data = extracted_data.fillna({'0': 'Unknown', '1': 0}) print(extracted_data) # 或者删除包含NaN的行 extracted_data = extracted_data.dropna() print(extracted_data)
如何提取多个匹配项？
如果你的文本中包含多个匹配项，str.extract只会返回第一个匹配项。如果你想提取所有匹配项，可以使用str.extractall方法。
import pandas as pd data = {'text': ['apple 123 banana 456', 'cherry 789 date 012']} df = pd.DataFrame(data) pattern = r'([a-z]+) (d+)' extracted_data = df['text'].str.extractall(pattern) print(extracted_data)
str.extractall返回的是一个MultiIndex DataFrame，第一层索引是原始DataFrame的索引，第二层索引是匹配的顺序。
如何使用命名捕获组？
为了提高代码的可读性，可以使用命名捕获组。命名捕获组的语法是(?P
import pandas as pd data = {'text': ['apple 123', 'banana 456', 'cherry 789']} df = pd.DataFrame(data) pattern = r'(?P<fruit>[a-z]+) (?P<number>d+)' extracted_data = df['text'].str.extract(pattern) print(extracted_data)
使用命名捕获组后，str.extract返回的DataFrame的列名就是捕获组的名字，而不是默认的数字。这样可以更清楚地知道每一列代表什么。
性能考量
对于大型数据集，正则表达式的性能可能会成为瓶颈。尽量编写高效的正则表达式，避免使用过于复杂的模式。如果可能，可以考虑使用编译后的正则表达式对象，这样可以提高匹配速度。
import pandas as pd import re data = {'text': ['apple 123', 'banana 456', 'cherry 789'] * 1000} df = pd.DataFrame(data) pattern = re.compile(r'(?P<fruit>[a-z]+) (?P<number>d+)') def extract_with_compile(series, compiled_pattern): return series.str.extract(compiled_pattern) extracted_data = extract_with_compile(df['text'], pattern) print(extracted_data.head())
预编译正则表达式可以避免每次调用str.extract时都重新编译正则表达式，从而提高性能。
