本文介绍如何使用正则表达式在pandas中精准识别并保留含真实门牌号（数字+后续地址文字）的地址行，自动过滤纯字母地址和仅有邮编的无效记录。
本文介绍如何使用正则表达式在pandas中精准识别并保留含真实门牌号（数字+后续地址文字）的地址行，自动过滤纯字母地址和仅有邮编的无效记录。
在地理信息处理或地址清洗任务中，常需区分“真实街道地址”与“无意义字符串”或“孤立邮编”。核心挑战在于：仅含字母的地址（如 San Diego County, California）和仅含5位邮编的地址（如 ... 92570）均不具门牌号语义，应被剔除；而类似 4150 Ute Dr, ... 这类“数字开头 + 空格 + 字母”的结构才代表有效门牌号。
推荐采用正则表达式结合 str.contains() 实现高效筛选：
import pandas as pd
d = {
'col1': [
'San Diego County, California',
'4150 Ute Dr, San Diego, California',
'Vista del Lago, Perris, California, 92570'
],
'col2': ['prov_1', 'prov_2', 'prov_3']
}
df = pd.DataFrame(data=d)
# ✅ 推荐方案：匹配「1–4位数字 + 可选空格 + 至少一个字母」
filtered_df = df[df['col1'].str.contains(r'\d{1,4}\s*[a-zA-Z]+', na=False)]
print(filtered_df)输出结果：
col1 col2 1 4150 Ute Dr, San Diego, California prov_2
✅ *为什么用 `\d{1,4}\s[a-zA-Z]+`？**
- \d{1,4}：限制数字位数为1–4位，有效规避5位纯邮编（如 92570）；
- \s*：允许数字后存在零个或多个空格；
- [a-zA-Z]+：确保数字后紧邻至少一个英文字母（如 Ute、Dr），表明其为街道名/单位名，而非邮编结尾。
⚠️ 注意事项：
- 若地址中门牌号超过4位（如 12345 Main St），可放宽为 \d{1,5}，但需权衡误捕邮编风险；
- 使用 na=False 防止缺失值引发 NaN 导致布尔索引错误；
- str.contains() 默认启用正则，无需额外参数；若需精确匹配整字段，可改用 str.extract() + notna() 组合。
? 进阶建议：
对更复杂地址（含逗号分隔、多级编号等），可先用 str.split(',').str[0] 提取首段再校验，或结合 address_parser 类库做结构化解析。但对本场景，上述正则已兼具简洁性与鲁棒性——一次过滤，精准锁定真实门牌号。
