本文介绍如何对 Pandas Series 中的字符串（如 ">3"、"
本文介绍如何对 pandas series 中的字符串（如 `">3"`、`"
在数据清洗中，常遇到含前缀符号（如 , <code>>, , <code>>, ~, ≈）的数值型字符串，需剥离干扰字符、保留核心数字，并将无效值（如 'NA'、空字符串）标准化为 NaN。直接使用 str.replace() 或 str.extract() 配合合理正则可高效解决。
关键在于：仅捕获数字部分（含可选符号和小数点），忽略开头所有非数字前缀，且对非字符串或缺失值保持原状。
推荐使用 Series.str.extract() 而非 replace(..., regex=True)，因其语义更清晰、行为更可控：
import pandas as pd
import numpy as np
df = pd.DataFrame({
'col1': [1, np.nan, '>3', 'NA'],
'col2': ["3.", "<5.0", np.nan, 'NA']
})
# 定义正则：匹配行首任意非数字前缀后，首个可选符号+数字+可选小数部分
pattern = r'^[^\w+-\.]*([+-]?\d*\.?\d+)'
# 对每列应用 extract，结果为单列 DataFrame，再用 .squeeze() 转为 Series
# 自动将不匹配项设为 NaN；astype(float) 将字符串数字转为浮点数
for col in df.columns:
df[col] = df[col].astype(str).str.extract(pattern, expand=False).astype(float)
print(df)输出：
col1 col2 0 1.0 3.0 1 NaN 5.0 2 3.0 NaN 3 NaN NaN
✅ 为什么这个正则有效？
-
^锚定行首，确保从前缀开始处理； -
[^\w+-\.]*匹配任意数量的“非数字字符”，但明确排除字母、下划线（\w）、+、-、.—— 这样能跳过、<code>>、等前缀，又不会误吞 <code>+3.14或-2中的合法符号； -
([+-]?\d*\.?\d+)是唯一捕获组：支持带符号、整数、小数（如"3"、"+4.5"、"-.7"），且要求至少一个数字（\d+保证非空）； -
str.extract(..., expand=False)返回Series，不匹配时自动填充NaN； -
astype(float)将匹配到的字符串数字转为浮点，同时将原始np.nan和'NA'提取失败后的NaN统一保留。
⚠️ 注意事项：
- 原始
np.nan在.astype(str)后变为字符串'nan'，但该字符串不满足数字模式，故仍被正确转为NaN； - 若需支持科学计数法（如
"1e-2"），正则需扩展为r'^[^\w+-\.]*([+-]?(?:\d+\.?\d*|\.\d+)(?:[eE][+-]?\d+)?)'； - 避免使用
replace配合\1的方式：它会尝试替换整个字符串，对不匹配项无默认处理，且易因转义错误（如原问题中的\d未加r''）引发异常； - 如需保留整数类型（非 float），可在最后用
pd.to_numeric(..., downcast='integer')尝试降级，但注意含NaN时 pandas 默认使用float64（因整数型不支持NaN）。
此方法简洁、健壮、可读性强，是处理带符号前缀数值字符串的标准实践。
