如何使用Python与正则表达式高效提取Excel中的票号数据

一、需求

本文将介绍如何利用Python的Pandas库和正则表达式，快速实现票号这一数据清洗任务，并将结果整理为规范的表格结构。

在数据处理场景中，从非结构化文本里提取特定格式的信息是常见需求。例如在物流工单、票务系统的Excel记录中，我们经常需要从冗长的摘要文本里提取出票号（如快递单号、订单号等）。

二、核心代码解析

我们通过一段实际代码来演示整个处理流程，代码逻辑分为数据读取、正则匹配、结果整理三个核心步骤。

1. 导入依赖库

import pandas as pd
import re

• pandas：用于Excel文件的读写和数据处理
• re：正则表达式模块，用于文本模式匹配

2. 读取原始数据

df = pd.read_excel('报销.xlsx')

• 使用pd.read_excel读取原始Excel文件，假设数据存储在默认的第一个工作表
• 原始数据结构：假设第一列为包含票号的摘要文本（如“处理票号1234567890的问题”）

3. 预编译正则表达式

ticket_pattern = re.compile(r'\b\d{8,30}\b')

• 模式解析：
  • \b：单词边界，确保匹配独立数字串
  • \d{8,30}：匹配8到30位的连续数字（可根据实际票号长度调整）
• 预编译优势：避免重复编译正则表达式，提升匹配性能

4. 遍历文本并提取票号

result_data = []
for text in df.iloc[:, 0].astype(str):
    tickets = ticket_pattern.findall(text)
    if tickets:
        # 处理第一条记录（包含摘要和首个票号）
        result_data.append({'摘要': text, '票号': tickets[0]})
        # 处理剩余票号（摘要留空）
        result_data.extend({'摘要': '', '票号': ticket} for ticket in tickets[1:])
    else:
        # 无票号时保留摘要
        result_data.append({'摘要': text, '票号': ''})

• 关键逻辑：
  • df.iloc[:, 0]：选取第一列数据（假设票号在第一列）
  • astype(str)：确保所有数据转为字符串类型，避免类型错误
  • findall方法：返回所有匹配的票号列表
  • 数据结构设计：
    • 首个票号保留对应的摘要文本
    • 后续票号共享同一摘要（摘要留空以节省空间）
    • 无票号记录保留原始摘要，票号字段为空

5. 保存结果到Excel

pd.DataFrame(result_data).to_excel('output4.xlsx', index=False)

• 将结果列表转换为DataFrame并保存为新Excel文件
• index=False参数：禁止生成默认行索引列

三、技术关键点

1. 正则表达式优化技巧

• 动态调整匹配模式：若票号包含字母（如“YT123456”），可修改模式为：

  r'\b[A-Za-z0-9]{8,30}\b'  # 匹配字母数字混合字符串
  

• 边界控制：使用\b避免匹配长数字串中的子串（如从“123456789012”中提取完整票号，而非截断部分）

2. Pandas数据处理技巧

• 向量化操作：虽然本例使用循环遍历，对于大规模数据可尝试向量化处理（如df[0].apply()）以提升速度
• 数据类型管理：通过astype(str)统一处理可能的数值型、日期型数据，避免正则匹配错误

3. 多票号处理逻辑

• 当单条摘要包含多个票号时（如“涉及票号123456和789012”），代码会将首个票号与摘要关联，后续票号以“摘要为空+独立票号”的形式展示，便于后续数据统计。

总结

到此这篇关于如何使用Python与正则表达式高效提取Excel中票号数据的文章就介绍到这了,更多相关Python与正则表达式提取Excel票号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！

最新评论