最灵活的字符串清洗方法是str.replace()+正则+str.extract()组合，但必须先明确模式类型（固定分隔符/嵌套结构/模糊匹配），否则易污染数据；识别模式比写代码更关键。
直接说结论：用 str.replace() + 正则 + str.extract() 组合最灵活，但必须先明确模式是“固定分隔符”“嵌套结构”还是“模糊匹配”，否则清洗逻辑会反向污染数据。
识别模式类型比写代码更关键
很多人一上来就写 df['col'].str.replace(r'\D', '')，结果把带单位的数值（如 "12.5kg"）全干成 "125"。实际要先分类：
-
固定分隔符：如"ID-00123-2024"→ 拆成三段 → 用str.split('-', n=2, expand=True) -
前缀/后缀固定：如"[ERROR] Connection timeout"→ 去掉方括号内容 → 用str.replace(r'^\[.*?\]\s*', '') -
提取核心值：如"Price: $29.99 (excl. tax)"→ 只要数字 → 用str.extract(r'(\d+\.\d+)')，不是str.replace()
str.replace() 的三个易错点
它默认不支持 regex=False 以外的字面量匹配，且替换为空字符串时容易留空格或 None：
- 想删掉所有非数字字符，但保留小数点 → 错误写法：
str.replace(r'\D', '')（会吃掉"."）→ 正确：str.replace(r'[^0-9.]', '') - 只替换开头的特定前缀 → 必须加
^锚点：str.replace(r'^v\d+\.', '')，否则"version1.2"会被干成"ersion12" - 原字段含
NaN→str.replace()会返回NaN，但不报错，容易漏查 → 清洗前先用df['col'].isna().sum()看缺失量
用 str.extract() 替代“暴力 replace”
当目标是“取出来”而不是“删掉”，str.extract() 更安全、语义更清晰，且自动处理缺失：
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
立即学习“Python免费学习笔记（深入）”；
df['price'] = df['text'].str.extract(r'Price:\s*\$(\d+\.\d+)')
这比 str.replace(r'Price:\s*\$| \(.*', '') 强得多——后者在遇到 "Price: $" 或无价格时会返回原串，而 extract() 直接返回 NaN，你能立刻发现异常样本。
- 组名可读性高：
str.extract(r'(?P<year>\d{4})-(?P<month>\d{2})')</month></year>→ 直接生成两列 - 不匹配时返回
NaN，不是空字符串，和后续pd.to_numeric(..., errors='coerce')天然兼容 - 性能略低于
replace()，但对万行级数据差异可忽略
真正难的从来不是写对一行正则，而是确认原始数据里那些“看起来一样”的字符串，其实混着不同格式——比如 "2024-03-15"、"15/03/2024"、"Mar 15, 2024" 全塞在一列里。这时候硬写一个正则不如先用 df['date_col'].str.contains() 分层采样，再分策略处理。
