Python数据分析中的正则表达式：匹配字符串与常用函数详解

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！