正则表达式是处理不规则输入数据最直接有效的工具，可精准清洗空白与不可见字符、统一替换全角标点、提取手机号、日期及凭证号等关键字段。

正则表达式是处理不规则输入数据最直接有效的工具之一。它不依赖结构，只认模式，面对杂乱空格、混排标点、中英文夹杂、隐藏字符等典型问题，能精准定位、批量清洗、按需提取，比逐个字符串方法更稳定、更可复用。

清理干扰性空白与不可见字符

中文输入法常引入全角空格（　）、零宽空格（\u200b）、行分隔符（\u2028）、全角标点等“看不见的问题”。仅用.strip()或.replace(' ', '')无法覆盖。

• 统一替换所有空白类字符为单个半角空格：
  re.sub(r'[\s\u200b\u2028\u3000]+', ' ', text).strip()
• 去除首尾残留空白后仍保留内部合理空格，避免把“张 三”变成“张三”
• 对全角标点做映射替换更稳妥，例如：
  text.translate(str.maketrans('，。！？；：""''（）', ',.!?;:"\'\'()'))

提取关键字段（如手机号、日期、编号）

从日志、表单、网页文本中捞出结构化信息，无需解析整段内容，靠特征模式即可。

提示词大师-python版

图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍

下载

• 匹配11位中国大陆手机号：
  re.findall(r'1[3-9]\d{9}', text)
• 提取形如“2026-06-15”或“2026/06/15”的日期：
  re.findall(r'\b\d{4}[-/]\d{2}[-/]\d{2}\b', text)
• 抓取以7开头的5位凭证号（如71234）：
  re.findall(r'(?（利用\b或否定环视防误匹配）

标准化与格式验证

清洗不只是删，更是“转”——把不同写法统一成规范格式，并提前拦截非法输入。

• 将多种电话格式（(010)1234-5678、010-12345678、13812345678）归一为“+86 138 1234 5678”：
  re.sub(r'(\d{1,4})[-\s()]*?(\d{3,4})[-\s()]*?(\d{4})', r'+86 \1 \2 \3', phone)
• 验证邮箱是否基本合规：
  re.match(r'^[^\s@]+@[^\s@]+\.[^\s@]+$', email) is not None
• 检查身份证号长度和末位校验码逻辑（需额外算法），但至少先筛掉明显错误：
  re.fullmatch(r'\d{17}[\dXx]', id_num)

在Pandas中批量清洗文本列

面对DataFrame中的文本列（如用户留言、地址、备注），用str.replace、str.extract等向量化方法效率远高于循环。

• 清洗地址列中的多余空格和全角符号：
  df['address'] = df['address'].str.replace(r'[\s\u200b\u2028\u3000]+', ' ', regex=True).str.strip()
• 新增一列提取所有手机号：
  df['mobile_list'] = df['content'].str.findall(r'1[3-9]\d{9}')
• 用str.extract生成结构化新列（如从“订单号：ORD20260615-001”中抽ID）：
  df[['order_id']] = df['note'].str.extract(r'订单号：(\w+-\w+)')