Python 从字符串文本中提取代码

我创建了一个pandas数据库，它有一个包含数千个文档（每个索引行1个）的功能。在文档中，可以找到帐单代码。可以在文档中的任何位置找到这些实例（单个文档中的开始、结束、中间和多个实例）。它们以字母开头，后跟最多6个字符（通常是数字，有时是另一个字母）。我已经编制了一个可能的代码列表（这是一组行业范围的代码）。我的想法是使用类似于stopwords列表的代码列表。除非不排除代码，否则只保留代码。然后将它们附加到数据帧自己的列中，同时保持索引与原始数据帧相同。由于行业规定，我无法发布样本数据。我不能肯定这是一个正则表达式问题，我对Python中的任何解决方案都持开放态度（最好）

示例文件：

blah blah blah code1 blah blah code(n) blah

预期数据帧结果：

1 |id# |Orignial Document |code1 code(n)|
2 |id#2|document 2        |code2 code(k)|
3 |id#3|document 3 blahs  |nan          |

代码列表：

[ code1, code2,..., code(n),...code(k)]

我取得了一些进展，我有以下代码

def match(input_string, icd_codes):
words = re.findall(r'\w+', input_string)
if [x for x in words if x in icd_codes]:
    return [x for x in words if x in icd_codes]
else: 
    return [np.NaN]

然后，当您运行该函数时

y= str(df['Diagnosis'])
df['ICD']= pd.Series(data=match(y,icd_codes))
df['ICD']

它输出

Code
Code2
Code
Code(n)
.
.
.
NaN
NaN

最终，我认为代码需要这样总结：

df['ICD']=df.Diagnosis.apply(lambda f: match(f,icd_codes))

---

它只提取了大约25个代码（太少了，似乎都来自最后30个文档），而且它们的索引也不适当。我很难弄清楚如何让它在整个文档列上运行，并将输出连接到一个新列中（同时保持索引的完整性）。如果“诊断”中索引为1的文档在文本中没有代码，我希望出现一个NaN或空白。然后，代码出现在新的列中，索引与此相同。通过使用df.iterrows（）将文档传递到列表中，我能够提取更多的代码。但是，所描述的函数及其后续调用仍然忽略了保留原始索引完整性的需要。我在这个问题上陷入了困境。任何帮助都将不胜感激。

“我不确定这是一个正则表达式问题”-为什么不？对我来说，这正是一个正则表达式的工作。顺便说一句，你的“名单”是一套。一份清单必须用方括号括起来。我并没有像我应该做的那样精确。在我的代码中，它是方括号。另外，为了澄清，“废话”可以是任何东西，而不仅仅是重复相同的字符串。否则这将是难以置信的简单。我感谢您的编辑和加强正则表达式的使用。@StephenDeWolfe正如DyZ所问，为什么不使用正则表达式？我的意思是，如果有人有其他解决方案，我也愿意接受。