我正在尝试使用 Python 循环遍历格式如下的数据框列：
Town 1, AL, USA
Town 2, AL, USA
Town 3, AK, USA
Town 4, CA, USA
Town 5, DE, USA
Town 6, MI, USA
我一直在尝试将 split() 方法与原始数据框（包括犯罪描述和 URL 列）和单独的列一起作为数据框和系列对象。这些对象都没有可用的方法 split()。
所需的输出将是仅包含 STATE 缩写的另一列，因此我知道我正在尝试找到 df.split(', ') 的等效项，并从该拆分中为系列或数据帧附加第二个 [1] 索引。 （如果我错了，请纠正我）。
我该怎么做呢？
【问题讨论】：
标签： python string pandas split dataframe
split_str_columns_df 循环一次拆分所有字符串列。" " 或 "," 或 ....只需在上面看到的函数定义中引入即可：
new = df[col].str.split(" ", n = 1, expand = True)
或者如果你想要一个 , 并分成 3 列 (n=2)，你必须稍微调整一下函数以合并第 3 列
new = df[col].str.split(", ", n = 2, expand = True)
data_df.head(3)
.
Rating Score Ocupation
0 RATINGSTUFE F NaN Animator Senior
1 RATINGSTUFE B 4.0 Animator
2 NaN 7.0 Art administrator
split_str_columns_df(data_df,columns)
我要拆分的列是'Rating' 和'Ocupation'。
columns=['Rating','Ocupation']
dff=split_str_columns_df(data_df,columns)
输出：
Score Rating_a Rating_b Ocupation_a Ocupation_b
0 NaN RATINGSTUFE F Animator Senior
1 4.0 RATINGSTUFE B Animator None
2 7.0 NaN NaN Art administrator
split_str_columns_df(data_df,columns)
我使用的函数定义是：
def split_str_columns_df(dataframe,str_columns):
''' Function that splits the str columns " " is the separation, create 2 new
columns and remove the original. If the column's name is 'Name' the 2 new columns will be 'Name_a' and 'Name_b'.'''
# new data frame with split value columns
df=dataframe
for i in range(len(str_columns)):
col=str_columns[i]
new_col1=col+'_a'
new_col2=col+'_b'
#Split
new = df[col].str.split(" ", n = 1, expand = True)
# making seperate first name column from new data frame
df[new_col1]= new[0]
# making seperate last name column from new data frame
df[new_col2]= new[1]
# Dropping old Name columns
df.drop(columns =[col], inplace = True)
return df
注意！：
拆分 NaN 值时，新的 2 列得到 nan（两者）（Col Rating_a, Rating_b
如果一行包含 1 个单词，当您拆分第二列时，您将获得 None（列 Ocupation_b）
意识到原来的列Rating和Ocupations被删除了，我们有
Rating_a 和 Rating_b。还有Ocupations_a 和Ocupations_b。
生成例子的数据：
data_df=pd.DataFrame(['RATINGSTUFE F', 'RATINGSTUFE B',np.nan, 'RATINGSTUFE L',
'RATINGSTUFE G', np.nan, 'RATINGSTUFE M', 'RATINGSTUFE L',
'RATINGSTUFE F', 'RATINGSTUFE M'], columns=['Rating'])
data_df['Score']=[np.nan,4,7,4,9,4,3,1,2,5]
data_df['Ocupation']=['Animator Senior', 'Animator', 'Art administrator', 'Animator Junior', 'Dancer', 'Colorist Junior', 'Ceramics artist', 'Chief creative officer','Colorist', 'Dancer']
【讨论】：
在与%timeit 比较不同方法的基础上，我发现在使用列中的字符串时，列表推导通常是赢家。
In [1]: %paste
import pandas as pd
data=[
'Town 1, AL, USA',
'Town 2, AL, USA',
'Town 3, AK, USA',
'Town 4, CA, USA',
'Town 5, DE, USA',
'Town 6, MI, USA',
]
df = pd.DataFrame(data)
df
## -- End pasted text --
Out[1]:
0
0 Town 1, AL, USA
1 Town 2, AL, USA
2 Town 3, AK, USA
3 Town 4, CA, USA
4 Town 5, DE, USA
5 Town 6, MI, USA
%timeit 测试：
In [2]: %timeit df['state'] = [x.split(',')[1] for x in df[0]]
1000 loops, best of 3: 350 µs per loop
In [3]: %timeit df['state'] = df[0].apply(lambda x: x.split(',')[1])
1000 loops, best of 3: 671 µs per loop
In [4]: %timeit df['state'] = df[0].str.split(", ").str[1]
100 loops, best of 3: 1.1 ms per loop
【讨论】：
使用.apply() 对列中的每个元素执行一些函数
import pandas as pd
data=[
'Town 1, AL, USA',
'Town 2, AL, USA',
'Town 3, AK, USA',
'Town 4, CA, USA',
'Town 5, DE, USA',
'Town 6, MI, USA',
]
df = pd.DataFrame( data )
print df
df['state'] = df[0].apply(lambda x: x.split(',')[1])
print df
结果
0
0 Town 1, AL, USA
1 Town 2, AL, USA
2 Town 3, AK, USA
3 Town 4, CA, USA
4 Town 5, DE, USA
5 Town 6, MI, USA
0 state
0 Town 1, AL, USA AL
1 Town 2, AL, USA AL
2 Town 3, AK, USA AK
3 Town 4, CA, USA CA
4 Town 5, DE, USA DE
5 Town 6, MI, USA MI
编辑：
顺便说一句：我在互联网上搜索pandas split column to new columns，您甚至可以通过这种方式将其拆分为 3 个新列：
def split_more(x):
return pd.Series( x.split(',') )
df[ ['town', 'state','country'] ] = df[0].apply(split_more)
print df
结果：
0 town state country
0 Town 1, AL, USA Town 1 AL USA
1 Town 2, AL, USA Town 2 AL USA
2 Town 3, AK, USA Town 3 AK USA
3 Town 4, CA, USA Town 4 CA USA
4 Town 5, DE, USA Town 5 DE USA
5 Town 6, MI, USA Town 6 MI USA
【讨论】：
您可以使用vectorized string methods，例如df["col"].str.split(", ").str[1]:
>>> df
col
0 Town 1, AL, USA
1 Town 2, AL, USA
2 Town 3, AK, USA
3 Town 4, CA, USA
4 Town 5, DE, USA
5 Town 6, MI, USA
>>> df["col"].str.split(", ")
0 [Town 1, AL, USA]
1 [Town 2, AL, USA]
2 [Town 3, AK, USA]
3 [Town 4, CA, USA]
4 [Town 5, DE, USA]
5 [Town 6, MI, USA]
Name: col, dtype: object
>>> df["col"].str.split(", ").str[1]
0 AL
1 AL
2 AK
3 CA
4 DE
5 MI
Name: col, dtype: object
【讨论】：
Series have string methods 可通过其str 属性访问。例如，您可以使用
df['addr'].str.extract:
In [34]: df = pd.read_table('data', sep='-', header=None, names=['addr'])
In [35]: df
Out[35]:
addr
0 Town 1, AL, USA
1 Town 2, AL, USA
2 Town 3, AK, USA
3 Town 4, CA, USA
4 Town 5, DE, USA
5 Town 6, MI, USA
In [36]: df[['Town', 'State', 'Country']] = df['addr'].str.extract(r'([^,]+),([^,]+),([^,]+)')
In [38]: del df['addr']
产量
In [39]: df
Out[39]:
Town State Country
0 Town 1 AL USA
1 Town 2 AL USA
2 Town 3 AK USA
3 Town 4 CA USA
4 Town 5 DE USA
5 Town 6 MI USA
【讨论】：