Extract by Regex

ภาพรวม

ข้อมูลจริงมักซ่อนสิ่งที่เราต้องการไว้ในข้อความยาว เช่น เลขที่คำสั่งซื้อในหมายเหตุ หรือรหัสจังหวัดในที่อยู่ เทคนิคนี้ดึงเฉพาะส่วนที่ตรงรูปแบบออกมาเป็นคอลัมน์ใหม่ โดยไม่แตะคอลัมน์ต้นทาง

เมื่อไหร่ควรใช้

• ดึงตัวเลข รหัส หรือโดเมนอีเมลออกจากข้อความปนกัน
• เตรียมคอลัมน์กุญแจสำหรับ join จากข้อความอิสระ

เมื่อไหร่ไม่ควรใช้

• ข้อความมีตัวคั่นชัดเจนอยู่แล้ว — split_column เข้าใจง่ายกว่าและได้หลายคอลัมน์ในขั้นตอนเดียว
• ต้องการแค่ตรวจว่าค่าตรงรูปแบบหรือไม่ ใช้ validate_regex

หลักการทำงาน

1. คอมไพล์ Regex จาก regex และ flags โดยเปิด u ไว้เพื่อให้รองรับภาษาไทยและอิโมจิ
2. ดึงกลุ่มที่ระบุใน group — กลุ่ม 0 คือข้อความทั้งหมดที่ตรง ส่วน 1 ขึ้นไปคือวงเล็บที่คุณเขียน
3. ค่าที่ไม่ตรงรูปแบบจะได้ค่าว่าง ไม่ใช่ข้อความว่าง จึงแยกออกจากกันได้ในขั้นตอนถัดไป
4. intoNewColumn เปิดอยู่เป็นค่าเริ่มต้น คอลัมน์เดิมจึงยังอยู่ให้ตรวจสอบย้อนหลัง

Parameters

โค้ด Python / JavaScript

import json
import re

def extract_pattern(value, pattern, group=1):
    if not isinstance(value, str):
        return None
    found = re.search(pattern, value)
    return found.group(group) if found else None

values = ['Order #1234 ไทย', 'ไม่มีเลขที่', None, 'ref #77']
print(json.dumps([extract_pattern(v, r'#(\d+)') for v in values], ensure_ascii=False))

ตัวอย่างการใช้งาน

คอลัมน์ note มีข้อความอย่าง "โอนแล้ว ref #1234" ตั้ง regex เป็น #(\d+) group เป็น 1 และตั้งชื่อคอลัมน์ใหม่ว่า ref_no ตรวจ Preview ว่ามีกี่แถวที่ได้ค่าว่าง ซึ่งคือแถวที่ไม่มีเลขอ้างอิง จากนั้นใช้ remove_missing_rows หรือ flag_missing ตามที่ต้องการ

เทคนิคที่เกี่ยวข้อง

ใช้ split_column เมื่อข้อความมีตัวคั่นชัดเจน ใช้ validate_regex เมื่อต้องการตรวจมากกว่าจะดึงออกมา และใช้ find_replace เมื่อเป้าหมายคือแก้ข้อความในที่เดิม

• Split Column
• Find & Replace
• Validate by Pattern

ลองใช้กับ Dataset ของคุณ