Python数据分析中正则表达式匹配字符串与常用函数示例详解
作者：流㶡
前言
在真实的数据分析项目中，原始数据往往“脏乱差”——包含大量非结构化文本，如用户评论、日志、网页抓取内容等。如何从中精准提取电话号码、邮箱、日期、金额等关键信息？答案就是：正则表达式（Regular Expression）。
Python 通过标准库 re 提供了强大而灵活的正则支持。本文将系统讲解正则在数据分析中的核心用法，涵盖：
- 字符串匹配函数（match、search、findall）
- 正则语法（字符范围、重复次数、字符类）
- 贪婪与非贪婪模式
- 分组与逻辑“或”
- 替换与编译优化（sub、compile）
一、匹配字符串：三大核心函数
1.re.match()：从字符串开头匹配
- 作用：仅检查字符串起始位置是否匹配正则模式。
- 返回值：匹配成功返回
Match对象，否则None。
使用形式：
re.match(参数1,参数2)
功能：表示从参数2（字符串类型数据）中查找满足参数1（正则表达式）的内容。
实例代码：
import re
messaga = '张三、李四、王五、赵六、张三'
result = re.match('张三', messaga)
print(result)
result1 = re.match('李四', messaga)
print(result1)代码执行结果：
- span=(0，2）表示字符串索引号为0~2的位置匹配成功。
- match='张三'表示匹配的内容为张三。
2.re.search()：全文搜索首次匹配
- 作用：在整个字符串中查找第一个匹配项。
- 返回值：首个匹配的
Match对象，或None。
使用形式：
re.search(参数1，参数2)
功能：表示从参数2（字符串类型数据）中查找满足参数1（正则表达式）的内容，如果匹配了多个参数1，则只返回第一个匹配成功的信息。
示例代码：
messaga1 = '张三、李四、王五、赵六、王五'
result2 = re.search('王五', messaga1)
print(result2)代码执行结果：
只返回第一个匹配成功的信息。
3.re.findall()：查找所有匹配项
- 作用：返回所有非重叠匹配结果的列表。
- 返回值：字符串列表（若无分组）；元组列表（若有多个分组）。
使用形式：
re.findall(参数1,参数2)
功能：表示从参数2（字符串类型数据）中查找满足参数1（正则表达式）的内容，如果匹配了多个参数1，则返回匹配成功的全部信息。
import re
messaga1 = '张三、李四、王五、赵六、王五'
result3 = re.findall('王五', messaga1)
print(result3)
运行结果：
['王五','王五']findall()并不返回匹配的位置，只返回匹配的全部内容。
二、正则表达式基础语法
表示字符范围：[...]
用方括号定义可接受的字符集合：
| 表达式 | 含义 |
|---|---|
[abc] | 匹配 a、b 或 c |
[a-z] | 匹配任意小写字母 |
[0-9] | 等价于 \d，匹配数字 |
[^0-9] | 取反，匹配非数字字符 |
示例：
import re
message = 'Pythonnnnncc93,c87,Javac63,C++88'
result_1 = re.search('[cn]', message) # 只返回第一个匹配成功的信息
result_2 = re.findall('[0-9]', message)
result_3 = re.findall('[cn]*[0-9]', message)
print(result_1)
print(result_2)
print(result_3)运行结果：
表示字符出现的次数（量词）
| 符号 | 含义 | 示例 |
|---|---|---|
* | 0 次或多次 | ab* → "a", "ab", "abb" |
+ | 1 次或多次 | \d+ → 至少一个数字 |
? | 0 次或 1 次 | colou?r → "color" / "colour" |
{n} | 恰好 n 次 | \d{4} → 四位年份 |
{n,} | 至少 n 次 | \d{3,} → 三位及以上数字 |
{n,m} | n 到 m 次 | \d{2,4} → 2～4 位数字 |
示例：
import re
message1 = 'da2a7ddbre77yifed777t3fefd777b'
result = re.findall('[a-z]*[0-9][a-z]', message1)
print(result)运行结果：
表示同一类字符（预定义字符类）
| 符号 | 等价写法 | 含义 |
|---|---|---|
\d | [0-9] | 数字 |
\D | [^0-9] | 非数字 |
\w | [a-zA-Z0-9_] | 单词字符（字母、数字、下划线） |
\W | [^a-zA-Z0-9_] | 非单词字符 |
\s | [ \t\n\r\f\v] | 空白字符 |
\S | [^\t\n\r\f\v] | 非空白字符 |
\b | 单词边界，即单词中与空格邻接的字符 | |
\B | 非单词边界 | |
\f | 分页符 | |
\n | 换行符 | |
\r | 回车符 | |
\t | 制表符 | |
\v | 垂直制表符 | |
.: | 匹配除"\n"和"\r"之外的任何单个字符 |
示例：清洗文本中的非字母数字字符
import re text = "Hello, World! 123 @#$" clean = re.sub(r"\W", " ", text) # \W = 非单词字符 print(clean) # "Hello World 123 "
三、贪婪模式 vs 非贪婪模式
贪婪和非贪婪模式指是否匹配更多内容，具体使用如下：
- 默认是贪婪模式：尽可能多地匹配字符。
- 非贪婪（惰性）模式：在量词后加
?，尽可能少匹配。
text = "<div>Hello</div><div>World</div>" # 贪婪：匹配整个字符串 print(re.search(r"<div>.*</div>", text).group()) # 输出：<div>Hello</div><div>World</div> # 非贪婪：只匹配第一个标签 print(re.search(r"<div>.*?</div>", text).group()) # 输出：<div>Hello</div>
数据分析提示：提取 HTML/XML 标签、JSON 片段时，务必使用非贪婪模式！
四、 “或” 和 分组（Grouping）
逻辑“或”：|
re.findall(r"jpg|png|gif", "image1.jpg, image2.png, icon.gif") # 输出：['jpg', 'png', 'gif']
分组：(...)与捕获
用括号将模式分组，便于提取子内容：
date_str = "2025-04-05"
match = re.search(r"(\d{4})-(\d{2})-(\d{2})", date_str)
print(match.groups()) # ('2025', '04', '05')
print(match.group(1)) # '2025'（年）五、sub()和compile()方法
re.sub()：替换匹配内容
- 作用：将匹配到的文本替换为指定字符串。
- 语法：
re.sub(pattern, repl, string)
import re
text = "Call me at 138****5678"
cleaned = re.sub(r"\d{3}\*\*\*\d{4}", "[PHONE_HIDDEN]", text)
print(cleaned) # Call me at [PHONE_HIDDEN]支持使用分组引用（\1, \2）：
import re text = "John Doe" swapped = re.sub(r"(\w+) (\w+)", r"\2, \1", text) print(swapped) # Doe, John
re.compile()：预编译正则（提升性能）
当同一正则需多次使用（如处理百万行数据），应先编译：
phone_pattern = re.compile(r"1[3-9]\d{9}")
# 后续可直接调用
if phone_pattern.search(text1):
...
if phone_pattern.findall(text2):
...综合案例：
给定字符串 log_info = "用户ID:10086,订单号:ORD20260122001,支付金额:99.9元;用户ID:10087,订单号:ORD20260122002,支付金额:199.5元;用户ID:10088,订单号:ORD20260122003,支付金额:0.88元"
1、基础匹配：提取所有的用户 ID 数字（如 10086、10087、10088），并以列表形式输出。
2、捕获组 + 贪婪 / 非贪婪：提取所有的订单号（如 ORD20260122001），要求分别用贪婪匹配和非贪婪匹配实现，并对比两种方式的结果（思考为什么结果一致 / 不一致）。
3、数值提取：提取所有的支付金额数字（仅保留数字部分，如 99.9、199.5、0.88），忽略 “元” 字，最终输出浮点数列表。
实现代码：
import re
log_info = "用户ID:10086,订单号:ORD20260122001,支付金额:99.9元;用户ID:10087,订单号:ORD20260122002,支付金额:199.5元;用户ID:10088,订单号:ORD20260122003,支付金额:0.88元"
pattern1 = re.compile(':(\d+),')
print(pattern1.findall(log_info))
pattern2 = re.compile('ORD\d+') # 贪婪模式
print(pattern2.findall(log_info))
pattern3 = re.compile('ORD2026012200\d+?') # 非贪婪模式
print(pattern3.findall(log_info))
pattern4 = re.compile(':(\d+.\d+)元')
print(pattern4.findall(log_info))结语
记住口诀：
- 提取一个用
search，- 提取多个用
findall，- 替换内容用
sub，- 高频使用要
compile！
总结
到此这篇关于Python数据分析中正则表达式匹配字符串与常用函数的文章就介绍到这了,更多相关Python数据分析正则表达式匹配内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！