能否用Python程序化清理此类表格数据？

针对你这种格式混乱的美国地址表格，单纯用split()或简单字符串匹配容易踩坑，结合正则表达式和地址规则的方案更高效。下面直接给实用方法和需要掌握的工具：

核心工具与必学函数 #

• pandas库：处理表格的核心，重点学这些字符串方法：
  • str.extract()：用正则提取指定内容
  • str.replace()：批量替换冗余字符
  • str.strip()：清除首尾空格
  • fillna()：填充空值
• re模块（正则表达式）：利用美国地址的固定格式（州缩写为2位大写字母、邮编为5位数字）精准提取，比手动拆分靠谱得多。

对你两个思路的评价 #

1. 搜索州缩写的思路：可行，但要结合正则避免误匹配（比如公司名里的类似缩写），搭配邮编提取一起用，准确率会更高。
2. 按逗号split的思路：局限性太大，处理不了无逗号的地址（比如Grand Rapids MI 49501），不推荐。

最优处理流程（附代码示例） #

以你的示例数据为例，步骤如下：

1. 初始化数据与预处理 #

先把表格读入pandas，统一替换空标记--为标准空值：

import pandas as pd
import re

# 示例数据
data = {
    'Place': ['Burger King Hartford, CT', "McDonald's", "Arby's", "Taco Bell", "Jimmy Johns"],
    'Address': ['123 Apple St W', '5 Big Mac dr', '--', '--', '--'],
    'City': ['--', 'New York, NY 10001', 'Sturgis, KY', 'Grand Rapids MI 49501', 'Fort Wayne, IN. 46774'],
    'State': ['--', '--', '--', '--', '--'],
    'Zip': ['--', '--', '--', '--', '--']
}

df = pd.DataFrame(data)
df.replace('--', pd.NA, inplace=True)

2. 定义提取函数 #

用正则精准提取州缩写和邮编：

# 提取州缩写：匹配前后带逗号/空格的2位大写字母，兼容带点号的情况（比如IN.）
def extract_state(text):
    if pd.isna(text):
        return pd.NA
    match = re.search(r'(?:,|\s)([A-Z]{2})(?:\.?\s|\.|$)', text)
    return match.group(1) if match else pd.NA

# 提取5位邮编，支持拓展到9位（改成r'\b(\d{5}(?:-\d{4})?)\b'即可）
def extract_zip(text):
    if pd.isna(text):
        return pd.NA
    match = re.search(r'\b(\d{5})\b', text)
    return match.group(1) if match else pd.NA

3. 批量提取并填充列 #

从Place、City列中提取州和邮编，填充到对应列：

# 先从Place列提取
df['State'] = df['State'].fillna(df['Place'].apply(extract_state))
df['Zip'] = df['Zip'].fillna(df['Place'].apply(extract_zip))

# 再从City列补充提取（处理Place列没有的情况）
df['State'] = df['State'].fillna(df['City'].apply(extract_state))
df['Zip'] = df['Zip'].fillna(df['City'].apply(extract_zip))

4. 清理原列冗余内容 #

把原列中混杂的州、邮编信息删掉：

# 清理Place列中的州信息
df['Place'] = df['Place'].str.replace(r',?\s*[A-Z]{2}\b\.?', '', regex=True).str.strip()

# 清理City列中的州和邮编信息
df['City'] = df['City'].str.replace(r',?\s*[A-Z]{2}\b\.?\s*\d{5}?', '', regex=True).str.strip()

处理后的数据会变成：

进阶方案：专业地址解析库 #

如果数据复杂度更高（比如包含街道、公寓号等），可以用usaddress库专门解析美国地址，安装后直接调用：

import usaddress

def parse_full_address(text):
    if pd.isna(text):
        return {}
    try:
        parsed = usaddress.parse(text)
        return {key: ' '.join(val for val, key in parsed) for key in ['PlaceName', 'StateName', 'ZipCode']}
    except:
        return {}

# 解析City列的地址并拆分
city_parsed = df['City'].apply(parse_full_address).apply(pd.Series)
df['City'] = df['City'].fillna(city_parsed['PlaceName'])
df['State'] = df['State'].fillna(city_parsed['StateName'])
df['Zip'] = df['Zip'].fillna(city_parsed['ZipCode'])

内容的提问来源于stack exchange，提问作者Ooch