本文介绍在 Pandas 中安全提取并填充 ZIP 码时，如何避免覆盖已有有效数据——核心是利用布尔掩码或 fillna() 有选择地更新空值单元格，确保正则清洗逻辑仅作用于缺失 ZIP 的行。
本文介绍在 pandas 中安全提取并填充 zip 码时，如何避免覆盖已有有效数据——核心是利用布尔掩码或 `fillna()` 有选择地更新空值单元格，确保正则清洗逻辑仅作用于缺失 zip 的行。
在数据清洗过程中，一个常见误区是直接对整列执行 .str.extract() 或 .str.replace()，导致本已正确的数据（如已有 ZIP 码的行）被意外覆盖或清空。以街道地址中混入 5 位邮编（如 "1 Main St 01123"）为例，若目标是将邮编提取到 Zip 列、同时从 StreetAddress 中移除该邮编，但又仅当 Zip 列当前为空时才执行，就必须引入条件控制机制。
✅ 推荐方案一：布尔掩码 + loc 定向更新（最清晰、可扩展性强）
# 1. 从 StreetAddress 提取可能的 5 位 ZIP（返回 Series，含 NaN）
add_zip = df['StreetAddress'].str.extract(r'(\d{5})', expand=False)
# 2. 构建掩码：仅在 add_zip 非空（即成功提取）的位置操作
mask = add_zip.notna()
# 3. 仅对 mask 为 True 的行，更新 Zip 和 StreetAddress
df.loc[mask, 'Zip'] = add_zip[mask]
df.loc[mask, 'StreetAddress'] = df.loc[mask, 'StreetAddress'].str.replace(r' *\d{5}', '', regex=True)
✅ 优势：逻辑显式、性能高效（仅处理需更新的行）、便于调试和后续扩展（例如添加长度校验、去重逻辑等）。
✅ 推荐方案二：fillna() 一行式填充（简洁、函数式风格）
# 用 StreetAddress 中提取的 ZIP 填充 Zip 列的空值（保留原有非空值）
df['Zip'] = df['Zip'].fillna(
df['StreetAddress'].str.extract(r'(\d{5})', expand=False)
)
⚠️ 注意：此方式不修改 StreetAddress；若还需清理地址中的 ZIP，需额外执行：
# 仅对 Zip 列原为空的行，才清理 StreetAddress 中的 ZIP（避免重复清理）
mask_to_clean = df['Zip'].isna() & df['StreetAddress'].str.contains(r'\d{5}', na=False)
df.loc[mask_to_clean, 'StreetAddress'] = df.loc[mask_to_clean, 'StreetAddress'].str.replace(r' *\d{5}', '', regex=True)
⚠️ 关键注意事项
- 正则健壮性：\d{5} 可能误匹配非 ZIP 数字（如门牌号 12345）。建议增强模式，例如 r'(?:^|\s)(\d{5})(?=\s|$)'，并结合上下文验证。
- 空格处理：.str.replace(r' *\d{5}', '') 中的 * 能匹配 ZIP 前任意空格，更安全；也可用 r'\s*\d{5}\s*' 清理前后空白。
- 数据类型：提取后 ZIP 列可能为 object 类型，若需数值运算，可追加 .astype('string') 或 .astype('Int64')（支持 NaN 的整数类型）。
- 原地修改 vs 链式赋值：始终使用 df.loc[...] = ... 而非 df[...][...] = ...，避免 SettingWithCopyWarning。
通过以上方法，您既能精准定位待处理行，又能保护已有有效数据，实现真正“按需清洗”的专业级数据预处理流程。
