将一列中的文本分为三列

Question

这个问题是Pietro关于如何将一列拆分为多列的奇妙答案的后续措施。 我的目标是从现有数据框中获取一列，将其拆分到一个空间上，然后获取前三个/四个拆分值，并将每个值放置在特定的列中，而忽略其余部分。

此拆分的问题在于，行之间的空格数有所不同。 有时数据显示为“ Fort Lee NJ 07024”。 在其他时间，它看起来像“ NY NY 10000”。 我不确定是否有简单的解决方法。

df['City, State, Zip'].str.split()
# Returns a variable length row. 
# I need to take the first three or four values, and add them to columns: City/State/Zip

Answer 1

假设状态和邮政编码始终存在并且包含有效数据，则解决此问题的一种方法是首先拆分字符串。 state和zip分别只是倒数第二和最后一列。 我已经使用列表city_state_zip从city_state_zip提取它们。 为了提取城市，我使用了嵌套列表推导和join 。 最后两个元素是州和邮政编码，因此列表的长度减去两个就可以告诉您城市名称中包含多少个元素。 然后，您只需要将它们加入一个空格即可。

df = pd.DataFrame({'city_state_zip': ['Fort Lee NJ 07024', 
                                      'NY NY 10000', 
                                      'Carmel by the Sea CA 93922']})

city_state_zip = df.city_state_zip.apply(lambda x: x.split())
df['city'] = [" ".join([x[c] for c in range(len(x) - 2)]) for x in city_state_zip]
df['state'] = [x[-2] for x in city_state_zip]
df['zip'] = [x[-1] for x in city_state_zip]
>>> df
               city_state_zip               city state    zip
0           Fort Lee NJ 07024           Fort Lee    NJ  07024
1                 NY NY 10000                 NY    NY  10000
2  Carmel by the Sea CA 93922  Carmel by the Sea    CA  93922

Answer 2

编辑：根据DSM的建议，看起来最后两个字是邮政编码的状态，在这种情况下，您可以

df = pd.DataFrame({'city_state_zip': ['Fort Lee NJ 07024', 
                                      'NY NY 10000', 
                                      'Carmel by the Sea CA 93922']})

In [50]: regex = '(?P<City>[a-zA-z ]*) (?P<State>[A-Z]{2}) (?P<Zip>[\d-]*)'
         df.city_state_zip.str.extract(regex)
Out[50]:
    City             State  Zip
0   Fort Lee            NJ  07024
1   NY                  NY  10000
2   Carmel by the Sea   CA  93922

此方法使用正则表达式使用多个命名组进行提取，每个命名组分别对应于City，State和Zip。 如图所示，提取方法的结果是一个具有3列的数据框。 组的语法是用括号将每个组的正则表达式括起来。 要命名组，请在组正则表达式前的括号中插入?P<group name> 。 此解决方案假定城市名称仅包含大小写字母，空格和统计缩写。 恰好包含2个大写字母，但如果不是这种情况，则可以对其进行调整。 请注意，这里的正则表达式中各组之间的空格很重要，因为它们代表城市，州和邮编之间的空格。