Mam ramkę danych z jedną kolumną i chciałbym podzielić ją na dwie kolumny, z nagłówkiem jednej kolumny jako „fips' a drugą”'row'

Moja ramka danych dfwygląda następująco:

          row
0    00000 UNITED STATES
1    01000 ALABAMA
2    01001 Autauga County, AL
3    01003 Baldwin County, AL
4    01005 Barbour County, AL

Nie wiem, jak użyć, df.row.str[:]aby osiągnąć cel podziału komórki wiersza. Mogę użyć, df['fips'] = helloaby dodać nową kolumnę i wypełnić ją hello. Jakieś pomysły?

         fips       row
0    00000 UNITED STATES
1    01000 ALABAMA 
2    01001 Autauga County, AL
3    01003 Baldwin County, AL
4    01005 Barbour County, AL

Może być lepszy sposób, ale oto jedno podejście:

                            row
    0       00000 UNITED STATES
    1             01000 ALABAMA
    2  01001 Autauga County, AL
    3  01003 Baldwin County, AL
    4  01005 Barbour County, AL

df = pd.DataFrame(df.row.str.split(' ',1).tolist(),
                                 columns = ['flips','row'])

   flips                 row
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Wersja TL; DR:

W prostym przypadku:

• Mam kolumnę tekstową z separatorem i chcę dwie kolumny

Najprostszym rozwiązaniem jest:

df['A'], df['B'] = df['AB'].str.split(' ', 1).str

Możesz też utworzyć automatycznie DataFrame z jedną kolumną dla każdego wpisu podziału automatycznie za pomocą:

df['AB'].str.split(' ', 1, expand=True)

Musisz użyć, expand=Truejeśli ciągi mają nierównomierną liczbę podziałów i chcesz Nonezastąpić brakujące wartości.

Zauważ, że w obu przypadkach .tolist()metoda nie jest konieczna. Ani też niezip() .

Szczegółowo:

Rozwiązanie Andy'ego Haydena jest najdoskonalsze w zademonstrowaniu siły str.extract()metody.

Ale w przypadku zwykłego podziału na znany separator (np. Dzielenie za pomocą myślników lub dzielenie za pomocą białych znaków) .str.split()metoda wystarczy ¹ . Działa na kolumnie (Seria) ciągów i zwraca kolumnę (Seria) list:

>>> 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: Jeśli nie masz pewności, co robią pierwsze dwa parametry .str.split(), polecam dokumentację dla zwykłej wersji metody w języku Python .}

Ale jak to zrobić:

• kolumna zawierająca listy dwuelementowe

do:

• dwie kolumny, każda zawierająca odpowiedni element list?

Cóż, musimy przyjrzeć się bliżej .str atrybutowi kolumny.

Jest to magiczny obiekt, który służy do zbierania metod, które traktują każdy element w kolumnie jako ciąg znaków, a następnie stosuje odpowiednią metodę w każdym elemencie tak wydajnie, jak to możliwe:

>>> 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

Ale ma również interfejs „indeksowania” do pobierania każdego elementu ciągu według jego indeksu:

>>> df['AB'].str[0]

0    A
1    A
Name: AB, dtype: object

>>> df['AB'].str[1]

0    1
1    2
Name: AB, dtype: object

Oczywiście ten interfejs indeksowania .strnie obchodzi, czy każdy indeksowany element jest w rzeczywistości łańcuchem, o ile można go indeksować, więc:

>>> 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

Następnie jest to prosta kwestia skorzystania z rozpakowywania iterowych krotek w Pythonie

>>> 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

Oczywiście uzyskanie DataFrame z podziału kolumny ciągów jest tak przydatne, że .str.split()metoda może to zrobić za pomocą expand=Trueparametru:

>>> df['AB'].str.split('-', 1, expand=True)

    0   1
0  A1  B1
1  A2  B2

Kolejnym sposobem na osiągnięcie tego, co chcieliśmy, jest:

>>> 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=TrueWersja, chociaż dłużej, ma wyraźną przewagę nad metodą krotki rozpakowaniu. Rozpakowywanie krotek nie radzi sobie dobrze z podziałami o różnych długościach:

>>> 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
>>> 

Ale expand=Trueradzi sobie z tym ładnie, umieszczając Nonew kolumnach, dla których nie ma wystarczającej liczby „podziałów”:

>>> 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

Możesz dokładnie wyodrębnić różne części za pomocą wzoru regularnego:

In [11]: df.row.str.extract('(?P<fips>\d{5})((?P<state>[A-Z ]*$)|(?P<county>.*?), (?P<state_code>[A-Z]{2}$))')
Out[11]: 
    fips                    1           state           county state_code
0  00000        UNITED STATES   UNITED STATES              NaN        NaN
1  01000              ALABAMA         ALABAMA              NaN        NaN
2  01001   Autauga County, AL             NaN   Autauga County         AL
3  01003   Baldwin County, AL             NaN   Baldwin County         AL
4  01005   Barbour County, AL             NaN   Barbour County         AL

[5 rows x 5 columns]

Aby wyjaśnić nieco długi regex:

(?P<fips>\d{5})

• Dopasowuje pięć cyfr ( \d) i nazywa je "fips".

Następna część:

((?P<state>[A-Z ]*$)|(?P<county>.*?), (?P<state_code>[A-Z]{2}$))

Czy albo ( |) jedna z dwóch rzeczy:

(?P<state>[A-Z ]*$)

• Pasuje do dowolnej liczby ( *) wielkich liter lub spacji ( [A-Z ]) i nazywa ją "state"przed końcem ciągu ( $),

lub

(?P<county>.*?), (?P<state_code>[A-Z]{2}$))

• dopasowuje cokolwiek innego ( .*)
• przecinek i spacja
• dopasowuje dwie cyfry state_codeprzed końcem ciągu ( $).

W przykładzie:
Zauważ, że pierwsze dwa wiersze uderzyły w „stan” (pozostawiając NaN w kolumnie hrabstwa i state_code), podczas gdy trzy ostatnie uderzyły w hrabstwo, state_code (pozostawiając NaN w kolumnie stanu).

df[['fips', 'row']] = df['row'].str.split(' ', n=1, expand=True)

Jeśli nie chcesz tworzyć nowej ramki danych lub jeśli twoja rama danych ma więcej kolumn niż tylko te, które chcesz podzielić, możesz:

df["flips"], df["row_name"] = zip(*df["row"].str.split().tolist())
del df["row"]  

Można użyć str.splitspacjami (domyślnie) i separatora parametr expand=Truedla DataFramez przypisać do nowych kolumn:

df = pd.DataFrame({'row': ['00000 UNITED STATES', '01000 ALABAMA', 
                           '01001 Autauga County, AL', '01003 Baldwin County, AL', 
                           '01005 Barbour County, AL']})
print (df)
                        row
0       00000 UNITED STATES
1             01000 ALABAMA
2  01001 Autauga County, AL
3  01003 Baldwin County, AL
4  01005 Barbour County, AL



df[['a','b']] = df['row'].str.split(n=1, expand=True)
print (df)
                        row      a                   b
0       00000 UNITED STATES  00000       UNITED STATES
1             01000 ALABAMA  01000             ALABAMA
2  01001 Autauga County, AL  01001  Autauga County, AL
3  01003 Baldwin County, AL  01003  Baldwin County, AL
4  01005 Barbour County, AL  01005  Barbour County, AL

W razie potrzeby zmień oryginalną kolumnę za pomocą DataFrame.pop

df[['a','b']] = df.pop('row').str.split(n=1, expand=True)
print (df)
       a                   b
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Jak to jest:

df[['a','b']] = df['row'].str.split(n=1, expand=True)
df = df.drop('row', axis=1)
print (df)

       a                   b
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Jeśli pojawi się błąd:

#remove n=1 for split by all whitespaces
df[['a','b']] = df['row'].str.split(expand=True)

ValueError: Kolumny muszą mieć tę samą długość co klucz

Możesz sprawdzić i zwraca 4 kolumny DataFrame, nie tylko 2:

print (df['row'].str.split(expand=True))
       0        1        2     3
0  00000   UNITED   STATES  None
1  01000  ALABAMA     None  None
2  01001  Autauga  County,    AL
3  01003  Baldwin  County,    AL
4  01005  Barbour  County,    AL

Następnie dodawane jest nowe rozwiązanie DataFrameprzez join:

df = pd.DataFrame({'row': ['00000 UNITED STATES', '01000 ALABAMA', 
                           '01001 Autauga County, AL', '01003 Baldwin County, AL', 
                           '01005 Barbour County, AL'],
                    'a':range(5)})
print (df)
   a                       row
0  0       00000 UNITED STATES
1  1             01000 ALABAMA
2  2  01001 Autauga County, AL
3  3  01003 Baldwin County, AL
4  4  01005 Barbour County, AL

df = df.join(df['row'].str.split(expand=True))
print (df)

   a                       row      0        1        2     3
0  0       00000 UNITED STATES  00000   UNITED   STATES  None
1  1             01000 ALABAMA  01000  ALABAMA     None  None
2  2  01001 Autauga County, AL  01001  Autauga  County,    AL
3  3  01003 Baldwin County, AL  01003  Baldwin  County,    AL
4  4  01005 Barbour County, AL  01005  Barbour  County,    AL

Z usuń oryginalną kolumnę (jeśli są jeszcze inne kolumny):

df = df.join(df.pop('row').str.split(expand=True))
print (df)
   a      0        1        2     3
0  0  00000   UNITED   STATES  None
1  1  01000  ALABAMA     None  None
2  2  01001  Autauga  County,    AL
3  3  01003  Baldwin  County,    AL
4  4  01005  Barbour  County,    AL   

Jeśli chcesz podzielić ciąg na więcej niż dwie kolumny oparte na ograniczniku, możesz pominąć parametr „maksymalne podziały”.
Możesz użyć:

df['column_name'].str.split('/', expand=True)

Spowoduje to automatyczne utworzenie tylu kolumn, ile wynosi maksymalna liczba pól zawartych w dowolnym z początkowych ciągów.

Zaskoczony, jeszcze go nie widziałem. Jeśli potrzebujesz tylko dwóch podziałów, bardzo polecam. . .

Series.str.partition

partition wykonuje jeden podział na separatorze i ogólnie jest dość wydajny.

df['row'].str.partition(' ')[[0, 2]]

       0                   2
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Jeśli musisz zmienić nazwę wierszy,

df['row'].str.partition(' ')[[0, 2]].rename({0: 'fips', 2: 'row'}, axis=1)

    fips                 row
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Jeśli chcesz dołączyć to z powrotem do oryginału, użyj joinlub concat:

df.join(df['row'].str.partition(' ')[[0, 2]])

pd.concat([df, df['row'].str.partition(' ')[[0, 2]]], axis=1)

                        row      0                   2
0       00000 UNITED STATES  00000       UNITED STATES
1             01000 ALABAMA  01000             ALABAMA
2  01001 Autauga County, AL  01001  Autauga County, AL
3  01003 Baldwin County, AL  01003  Baldwin County, AL
4  01005 Barbour County, AL  01005  Barbour County, AL

Wolę eksportu odpowiednią serią pandy (czyli kolumn muszę), stosując zastosować funkcję podzielić zawartość kolumny na wiele serii, a następnie dołączyć wygenerowane kolumny do istniejącego DataFrame. Oczywiście kolumna źródłowa powinna zostać usunięta.

na przykład

 col1 = df["<col_name>"].apply(<function>)
 col2 = ...
 df = df.join(col1.to_frame(name="<name1>"))
 df = df.join(col2.toframe(name="<name2>"))
 df = df.drop(["<col_name>"], axis=1)

Aby podzielić dwa słowa, funkcja ciągów znaków powinna być taka:

lambda x: x.split(" ")[0] # for the first element
lambda x: x.split(" ")[-1] # for the last element

Widziałem, że nikt nie zastosował metody wycinania, więc tutaj umieściłem tutaj moje 2 centy.

df["<col_name>"].str.slice(stop=5)
df["<col_name>"].str.slice(start=6)

Ta metoda utworzy dwie nowe kolumny.

Użyj, df.assignaby utworzyć nowy plik df. Zobacz http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

split = df_selected['name'].str.split(',', 1, expand=True)
df_split = df_selected.assign(first_name=split[0], last_name=split[1])
df_split.drop('name', 1, inplace=True)