本文介绍如何使用正则表达式在pandas中识别并保留包含“数字+字母”组合的有效街道地址（如“4150 ute dr”），同时自动过滤掉纯文本地址（如“san diego county…”）和仅有邮编的地址（如“…92570”），确保地址字段具备实际门牌号特征。
本文介绍如何使用正则表达式在pandas中识别并保留包含“数字+字母”组合的有效街道地址（如“4150 ute dr”），同时自动过滤掉纯文本地址（如“san diego county…”）和仅有邮编的地址（如“…92570”），确保地址字段具备实际门牌号特征。
在地址清洗任务中，仅依赖“是否含数字”作为判断标准往往不够——因为邮编（如 92570）虽为数字，却不代表有效门牌号；而纯地名（如 San Diego County, California）则完全缺失结构化地址信息。真正需要保留的是体现“门牌号+街道名”结构的片段，典型模式为：连续数字（1–4位更合理）后紧跟空格与字母（如 4150 Ute、123 Main），这能有效区分真实地址与邮编或纯文本。
推荐使用以下正则表达式进行布尔索引筛选：
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 + 至少一个英文字母
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
✅ 为什么限定 \d{1,4}？
- 避免误匹配5位邮编（如 92570）：\d{5} 会被排除；
- 覆盖常见门牌号长度（1 到 9999 均合理），过长数字（如 123456）大概率非门牌号；
- na=False 确保空值（NaN）不引发异常，统一视为 False。
⚠️ 注意事项：
- 若地址含国际格式（如带逗号分隔的 No. 45, Rue de Lyon），可扩展正则为 r'\b\d{1,4}\s*[a-zA-Z]'（\b 保证数字为独立词）；
- str.extract() 适用于提取匹配片段而非过滤，如需生成新列标注门牌号，可用：
df['street_number'] = df['col1'].str.extract(r'(\d{1,4}\s*[a-zA-Z]+)', expand=False) - 实际业务中建议结合地理编码API二次校验，正则仅作初筛。
该方法简洁高效，无需循环或复杂逻辑，直接利用Pandas向量化字符串操作，兼顾准确性与性能，是地址质量预检的关键一步。
