PySpark实现：基于空格与连字符从姓名列提取多值生成新列

需求说明 #

处理包含forenames列的Pandas DataFrame，生成两个新列：

• first_name：提取forenames中第一个空格前的完整字符串（含连字符时完整保留）
• middle_name：提取first_name之后第一个空格开始的所有剩余内容

输入示例 #

预期输出 #

解决方案 #

方法一：使用str.split分割（简单直观）

利用Pandas的字符串分割方法，仅分割第一个空格，直接得到两部分内容：

import pandas as pd

# 构造示例数据
data = {
    'forenames': [
        'IVO-KAI ROGERS',
        'DYLAN STUART JOHN',
        'JOSH JACK',
        'MONALISA ELIEN',
        'RACHEL-GREEN JOE'
    ]
}
df = pd.DataFrame(data)

# 按第一个空格分割，展开为两列
split_cols = df['forenames'].str.split(' ', n=1, expand=True)

# 赋值到新列
df['first_name'] = split_cols[0]
# 处理无中间名的情况，用空字符串填充NaN
df['middle_name'] = split_cols[1].fillna('')

方法二：使用正则表达式提取（灵活适配复杂场景）

通过正则精准匹配目标内容，适合需要更复杂规则的场景：

import pandas as pd

# 构造示例数据（同上）
data = {
    'forenames': [
        'IVO-KAI ROGERS',
        'DYLAN STUART JOHN',
        'JOSH JACK',
        'MONALISA ELIEN',
        'RACHEL-GREEN JOE'
    ]
}
df = pd.DataFrame(data)

# 提取第一个空格前的所有非空格字符（含连字符）作为first_name
df['first_name'] = df['forenames'].str.extract(r'^([^\s]+)', expand=False)

# 提取第一个空格后的所有内容作为middle_name，无内容时填充空字符串
df['middle_name'] = df['forenames'].str.extract(r'^\S+\s(.*)', expand=False).fillna('')

两种方法运行后，都能得到符合预期的DataFrame结果。

内容的提问来源于stack exchange，提问作者Muskan Makhija