TL；DR 版本：
对于以下简单情况：
最简单的解决方案是：
df[['A', 'B']] = df['AB'].str.split(' ', 1, expand=True)
如果您的字符串具有不均匀的拆分数量并且您希望None 替换缺失值，则必须使用expand=True。
请注意，无论哪种情况，.tolist() 方法都不是必需的。 zip() 也不是。
详细说明：
Andy Hayden's solution 最出色地展示了str.extract() 方法的强大功能。
但是对于已知分隔符上的简单拆分（例如，用破折号拆分或用空格拆分），.str.split() 方法就足够了1。它对一列（系列）字符串进行操作，并返回一列（系列）列表：
>>> import pandas as pd
>>> df = pd.DataFrame({'AB': ['A1-B1', 'A2-B2']})
>>> df
AB
0 A1-B1
1 A2-B2
>>> df['AB_split'] = df['AB'].str.split('-')
>>> df
AB AB_split
0 A1-B1 [A1, B1]
1 A2-B2 [A2, B2]
1: 如果你不确定.str.split() 的前两个参数是做什么的，
我推荐plain Python version of the method 的文档。
但是你怎么去：
到：
好吧，我们需要仔细看看列的.str 属性。
这是一个神奇的对象，用于收集将列中的每个元素视为字符串的方法，然后尽可能高效地在每个元素中应用相应的方法：
>>> upper_lower_df = pd.DataFrame({"U": ["A", "B", "C"]})
>>> upper_lower_df
U
0 A
1 B
2 C
>>> upper_lower_df["L"] = upper_lower_df["U"].str.lower()
>>> upper_lower_df
U L
0 A a
1 B b
2 C c
但它也有一个“索引”接口，用于通过索引获取字符串的每个元素：
>>> df['AB'].str[0]
0 A
1 A
Name: AB, dtype: object
>>> df['AB'].str[1]
0 1
1 2
Name: AB, dtype: object
当然，.str的这个索引接口并不真正关心它所索引的每个元素是否实际上是一个字符串，只要它可以被索引，所以：
>>> df['AB'].str.split('-', 1).str[0]
0 A1
1 A2
Name: AB, dtype: object
>>> df['AB'].str.split('-', 1).str[1]
0 B1
1 B2
Name: AB, dtype: object
那么，利用 Python 元组对可迭代对象进行解包就很简单了
>>> df['A'], df['B'] = df['AB'].str.split('-', 1).str
>>> df
AB AB_split A B
0 A1-B1 [A1, B1] A1 B1
1 A2-B2 [A2, B2] A2 B2
当然，从拆分一列字符串中获取 DataFrame 非常有用，.str.split() 方法可以通过 expand=True 参数为您完成：
>>> df['AB'].str.split('-', 1, expand=True)
0 1
0 A1 B1
1 A2 B2
所以，实现我们想要的另一种方法是：
>>> df = df[['AB']]
>>> df
AB
0 A1-B1
1 A2-B2
>>> df.join(df['AB'].str.split('-', 1, expand=True).rename(columns={0:'A', 1:'B'}))
AB A B
0 A1-B1 A1 B1
1 A2-B2 A2 B2
expand=True 版本虽然更长，但与元组解包方法相比具有明显的优势。元组拆包不能很好地处理不同长度的拆分：
>>> df = pd.DataFrame({'AB': ['A1-B1', 'A2-B2', 'A3-B3-C3']})
>>> df
AB
0 A1-B1
1 A2-B2
2 A3-B3-C3
>>> df['A'], df['B'], df['C'] = df['AB'].str.split('-')
Traceback (most recent call last):
[...]
ValueError: Length of values does not match length of index
>>>
但是expand=True 可以很好地处理它，将None 放在没有足够“拆分”的列中：
>>> df.join(
... df['AB'].str.split('-', expand=True).rename(
... columns={0:'A', 1:'B', 2:'C'}
... )
... )
AB A B C
0 A1-B1 A1 B1 None
1 A2-B2 A2 B2 None
2 A3-B3-C3 A3 B3 C3