本文介绍了如何使用 Pandas 库高效地将 DataFrame 中的字符串列按照特定规则进行拆分，提取分隔符（" - "）后的大写字符串部分，并将其分别存储到新的列中。文章提供了基于 Pandas 内置字符串操作和 re 模块的两种解决方案，并详细解释了正则表达式的使用方法，以确保代码的正确性和性能。
在数据处理过程中，经常需要根据特定的分隔符将字符串列拆分成多个部分。本文将介绍如何使用 Pandas 库，结合正则表达式，将 DataFrame 中的一列字符串按照最后一个 " - " 分隔符进行拆分，并提取分隔符后的全大写字符串部分。
方法一：使用 Pandas 内置的字符串操作
Pandas 提供了强大的字符串操作功能，可以结合正则表达式轻松实现字符串的拆分和提取。以下代码演示了如何使用 str.extract() 方法，结合正则表达式，将 Value 列拆分成 First 和 Last 两列。
import pandas as pd
df = pd.DataFrame({
'Value': ['Juan-Diva - HOLLS', 'Carlos - George - ESTE BAN', 'Javier Plain - Hotham Ham - ALPINE', 'Yul - KONJ KOL MON'],
})
# 正则表达式模式
pattern = r'^(.*?) - ([A-Z\s-]+)$'
# 使用 str.extract() 提取分组到两个新列
df[['First', 'Last']] = df['Value'].str.extract(pattern)
# 显示 DataFrame
print(df)代码解释：
- 导入 Pandas 库: import pandas as pd
- 创建 DataFrame: 使用示例数据创建一个 DataFrame。
-
定义正则表达式模式: pattern = r'^(.*?) - ([A-Z\s-]+)$'。该模式的含义如下：
- ^: 匹配字符串的开头。
- (.*?): 匹配任意字符（非贪婪模式），并将其捕获到第一个分组中。
- -: 匹配 " - " 分隔符。
- ([A-Z\s-]+): 匹配由大写字母、空格或连字符组成的字符串，并将其捕获到第二个分组中。
- $: 匹配字符串的结尾。
- 使用 str.extract() 提取数据: df[['First', 'Last']] = df['Value'].str.extract(pattern)。该方法使用定义的正则表达式模式从 Value 列中提取数据，并将提取到的分组分别赋值给 First 和 Last 列。
- 打印结果: print(df)。
输出结果：
Value First Last 0 Juan-Diva - HOLLS Juan-Diva HOLLS 1 Carlos - George - ESTE BAN Carlos - George ESTE BAN 2 Javier Plain - Hotham Ham - ALPINE Javier Plain - Hotham Ham ALPINE 3 Yul - KONJ KOL MON Yul KONJ KOL MON
方法二：使用 re 模块
除了使用 Pandas 内置的字符串操作，还可以使用 Python 的 re 模块来实现字符串的拆分和提取。以下代码演示了如何使用 re.search() 函数，结合正则表达式，将 Value 列拆分成 First 和 Last 两列。
import pandas as pd
import re
df = pd.DataFrame({
'Value': ['Juan-Diva - HOLLS', 'Carlos - George - ESTE BAN', 'Javier Plain - Hotham Ham - ALPINE', 'Yul - KONJ KOL MON'],
})
# 定义拆分字符串的函数
def split_value(s):
# 查找最后一个 " - " 后跟大写字母的匹配项
match = re.search(r'^(.*?) - ([A-Z\s-]+)$', s)
if match:
return match.group(1), match.group(2)
else:
return s, None
# 将函数应用于 'Value' 列的每一行
df[['First', 'Last']] = df['Value'].apply(lambda x: split_value(x)).tolist()
print(df)代码解释：
- 导入 Pandas 和 re 模块: import pandas as pd 和 import re。
- 创建 DataFrame: 使用示例数据创建一个 DataFrame。
- 定义 split_value 函数: 该函数接收一个字符串作为输入，并使用 re.search() 函数查找匹配项。如果找到匹配项，则返回两个分组；否则，返回原始字符串和 None。
- 应用函数并创建新列: df[['First', 'Last']] = df['Value'].apply(lambda x: split_value(x)).tolist()。该行代码使用 apply() 方法将 split_value 函数应用于 Value 列的每一行，并将结果转换为列表，然后赋值给 First 和 Last 列。
输出结果：
Value First Last 0 Juan-Diva - HOLLS Juan-Diva HOLLS 1 Carlos - George - ESTE BAN Carlos - George ESTE BAN 2 Javier Plain - Hotham Ham - ALPINE Javier Plain - Hotham Ham ALPINE 3 Yul - KONJ KOL MON Yul KONJ KOL MON
总结
本文介绍了两种使用 Pandas 拆分字符串列并提取大写值的方法。第一种方法使用 Pandas 内置的 str.extract() 方法，代码简洁高效。第二种方法使用 re 模块，灵活性更高，可以处理更复杂的字符串拆分逻辑。在实际应用中，可以根据具体的需求选择合适的方法。
注意事项：
- 正则表达式的性能可能受到模式复杂度的影响，对于大规模数据，建议优化正则表达式以提高效率。
- 如果字符串中没有匹配的模式，str.extract() 方法会返回 NaN 值。
- 在使用 re 模块时，需要注意处理匹配失败的情况，避免程序出错。
希望本文能够帮助您更好地理解和使用 Pandas 进行字符串处理。
