计算DataFrame列值在.dat文件的字符起止位置时结果不符，求解决方法

需求与示例 #

我们需要统计DataFrame各列值在保存为制表符分隔的.dat文件后的字符起止位置（下划线、点号等所有字符均计入长度）。

示例DataFrame与保存代码 #

import pandas as pd

data = {
    'ol': ['H_KXKnn1_01_p_lk0', 'H_KXKnn1_02_p_lk0', 'H_KXKnn1_03_p_lk0'],
    'nl': [12.01, 89.01, 25.01],
    'nol': ['Xn', 'Ln', 'Rn'],
    'nolp': [68, 70, 72],
    'nolxx': [0.0, 1.0, 5.0]
}

df = pd.DataFrame(data)
# 保存为制表符分隔的.dat文件
df.to_csv('your_file.dat', sep='\t', index=False)

预期的字符起止位置 #

variable position (start,end)
ol        (0,17)
nl        (18,23)
nol       (24,26)
nolp      (27,29)
nolxx     (30,33)

当前代码的错误原因 #

现有循环代码计算出的结果与预期不符，问题出在两点：

1. 列长度重复计算：代码中把str.len()的结果和_、.的计数相加，但len()已经包含了这些字符的长度。比如ol列的字符串长度是18（对应起止0-17），但代码额外加了下划线的数量（4个），导致列长度被错误计算为22，直接导致起止位置偏移。
2. 列间隔累加错误：代码中用current_pos += col_length + 1，但因为col_length本身已算错，加上对制表符分隔的位置逻辑理解偏差，最终导致所有列的起止位置都出现偏移。

正确的计算方法 #

正确的逻辑是：

• 每列的有效长度是该列所有值转字符串后的最大长度（len()已包含所有字符，无需额外统计符号）
• 列之间的制表符占1个字符，所以下一列的起始位置是当前列的结束位置 +1

修正后的代码 #

import pandas as pd

data = {
    'ol': ['H_KXKnn1_01_p_lk0', 'H_KXKnn1_02_p_lk0', 'H_KXKnn1_03_p_lk0'],
    'nl': [12.01, 89.01, 25.01],
    'nol': ['Xn', 'Ln', 'Rn'],
    'nolp': [68, 70, 72],
    'nolxx': [0.0, 1.0, 5.0]
}

df = pd.DataFrame(data)
positions = {}
current_pos = 0

for col in df.columns:
    # 计算该列转字符串后的最大长度
    max_len = df[col].astype(str).str.len().max()
    # 计算起止位置：start=current_pos，end=current_pos + max_len -1
    positions[col] = (current_pos, current_pos + max_len - 1)
    # 更新下一列的起始位置：当前列结束位置 +1（制表符占1位）
    current_pos += max_len + 1

# 转换为DataFrame展示
positions_df = pd.DataFrame(list(positions.items()), columns=['Variable', 'Position'])
print(positions_df)

运行结果 #

Variable    Position
0       ol    (0, 17)
1       nl   (18, 23)
2      nol   (24, 26)
3     nolp   (27, 29)
4    nolxx   (30, 33)

内容的提问来源于stack exchange，提问作者Raquel Feltrin