Python正则提取技巧:str.extract用法详解
本篇文章向大家介绍《Python正则提取技巧:str.extract用法详解》,主要包括,具有一定的参考价值,需要的朋友可以参考一下。
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:
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,其中name是捕获组的名字。
import pandas as pd
data = {'text': ['apple 123', 'banana 456', 'cherry 789']}
df = pd.DataFrame(data)
pattern = r'(?P[a-z]+) (?P\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[a-z]+) (?P\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。
好了,本文到此结束,带大家了解了《Python正则提取技巧:str.extract用法详解》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!
JavaExcel导入导出实战教程
- 上一篇
- JavaExcel导入导出实战教程
- 下一篇
- Java异常处理优化技巧分享
-
- 文章 · python教程 | 17小时前 |
- Python 3.14 pathlib.PurePath.full_match怎样匹配完整路径
- 443浏览 收藏
-
- 文章 · python教程 | 17小时前 |
- Python os.reload_environ为什么读取不到外部环境变量
- 283浏览 收藏
-
- 文章 · python教程 | 17小时前 |
- Python operator.is_none 怎样判断值是否为 None
- 229浏览 收藏
-
- 文章 · python教程 | 18小时前 | 标准库 · csv · python · Python csv csv.field_size_limit CSV超长字段
- Python csv.field_size_limit 怎样处理超长字段
- 301浏览 收藏
-
- 文章 · python教程 | 18小时前 | python · pathlib · Python 硬链接 pathlib Path.hardlink_to
- Python pathlib.Path.hardlink_to 创建硬链接的跨设备报错处理
- 486浏览 收藏
-
- 文章 · python教程 | 18小时前 | 线程池 · Python gil threadpoolexecutor Python 3.14 free-threading CPU并发
- Python免费线程模式评估CPU并发
- 200浏览 收藏
-
- 文章 · python教程 | 18小时前 | 兼容性 · Python API迁移 DeprecationWarning Python 3.14 warnings.deprecated 类型检查器
- Python warnings.deprecated怎样标记即将移除的API
- 334浏览 收藏
-
- 文章 · python教程 | 18小时前 |
- Python 3.14 fnmatch.filterfalse怎样筛掉匹配文件
- 133浏览 收藏
-
- 文章 · python教程 | 18小时前 | 兼容性 · Python 类型注解 循环引用 延迟求值 Python 3.14 annotationlib ForwardRef
- Python 3.14延迟求值注解解决循环引用
- 282浏览 收藏
-
- 文章 · python教程 | 18小时前 | python · Python Template 模板字符串 Python 3.14
- Python 3.14模板字符串处理动态文本
- 344浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1048次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1045次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1206次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1151次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 995次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

