如何整理Pandas数据框中含多值的age列？求替代多列的可行方案

针对你提供的Pandas数据框（age列用“and”分隔多个年龄值，部分为NaN），不想通过新增大量列拆分数据的话，以下是几种实用的整理方案：

方法1：拆分为长格式（行展开） #

这是最通用的处理方式，将每个年龄值拆分为单独的行，保留对应的id和children_count信息，完全避免列过多的问题。

# 拆分age列并展开为多行
df_long = df.assign(age=df['age'].str.split(' and ')).explode('age', ignore_index=True)
# 移除拆分后仍为空值的行
df_long = df_long.dropna(subset=['age'])
# 可选：提取年龄数字，便于后续统计分析
df_long['age_num'] = df_long['age'].str.extract('(\d+)').astype(int)

这种格式适合做各类统计分析（比如统计不同年龄段儿童的分布），也符合常规数据分析的范式。

方法2：保留列表格式 #

直接将age列的字符串转换为列表，既保留所有年龄信息，又不改变原数据框的行数，后续可通过列表操作处理单个年龄值。

# 将age列转为列表（原NaN值保持不变）
df['age_list'] = df['age'].apply(lambda x: x.split(' and ') if pd.notna(x) else np.nan)
# 示例：提取第一个孩子的年龄
df['first_child_age'] = df['age_list'].apply(lambda x: x[0] if pd.notna(x) and len(x) > 0 else np.nan)

适合需要同时查看每个家庭所有年龄值的场景，后续用列表推导式或apply就能灵活处理单个元素。

方法3：提取年龄统计特征 #

如果不需要保留每个具体年龄，只需要汇总信息，可以直接计算每个家庭孩子的年龄统计指标（如最小/最大/平均年龄）。

def calculate_age_stats(age_str):
    if pd.isna(age_str):
        return pd.Series([np.nan, np.nan, np.nan])
    # 提取年龄数字并转换为整数
    age_nums = [int(age.split(' ')[0]) for age in age_str.split(' and ')]
    return pd.Series([min(age_nums), max(age_nums), np.mean(age_nums)])

# 添加统计特征列
df[['min_age', 'max_age', 'avg_age']] = df['age'].apply(calculate_age_stats)

这种方式直接生成有用的分析指标，适合不需要单个年龄细节的场景。

方法4：转为JSON格式存储 #

如果需要保留所有年龄信息且方便存储/传输，可以将年龄列表转为JSON字符串，兼容性强且易于解析。

import json
# 将年龄列表转为JSON字符串
df['age_json'] = df['age_list'].apply(lambda x: json.dumps(x) if pd.notna(x) else np.nan)
# 解析时可执行：df['age_list'] = df['age_json'].apply(lambda x: json.loads(x) if pd.notna(x) else np.nan)

适合需要持久化数据或跨系统传输的场景，能完整保留多值结构。

内容的提问来源于stack exchange，提问作者Mihail