Pandas列批量替换特殊字符并插入分隔符的优化实现

问题说明 #

你的 Pandas DataFrame 里 Country_list 列的数据是这样的：

{'INDIA': '98.31%', 'ASEAN': '1.69%'}
{'KOREA': '100.0%'}
{'INDIA': '95.00%', 'ASEAN': '2.50%','ANZ': '2.50%'}
{'INDIA': '95.00%', 'ASEAN': '2.50%','ANZ': '1.25%','KOREA': '1.25%'}

你需要完成两个需求：

• 把所有数字、特殊字符（比如{}:%'这些）都删掉，只保留区域名称
• 不同区域名称之间用逗号分隔开

你之前写了一串链式替换的代码，但觉得太繁琐：

df['Country_list'] = df['Country_list'].str.replace(r":",'', regex=True).str.replace(r"%", '', regex=True).str.replace(r"{",'', regex=True).str.replace(r"}",'', regex=True)

想要的最终输出是：

INDIA,ASEAN
KOREA
INDIA,ASEAN,ANZ
INDIA,ASEAN,ANZ,KOREA

高效解决办法 #

直接用正则提取目标区域名称，一步到位，比多次替换简洁多了：

最优方案：提取区域名称再拼接 #

df['Country_list'] = df['Country_list'].str.findall(r'([A-Z]+)').str.join(',')

原理很简单：str.findall(r'([A-Z]+)') 会把每一行里所有连续的大写字母（也就是你的区域名称）都提取出来，变成一个列表；再用str.join(',')把列表里的元素用逗号连起来，正好就是你要的格式。

备选方案：一次性清除非目标字符 #

如果以后区域名称可能包含其他字符，也可以用这招，先把所有非字母、非逗号的字符删掉，再整理格式：

df['Country_list'] = df['Country_list'].str.replace(r'[^A-Z,]', '', regex=True).str.replace(r',+', ',', regex=True).str.strip(',')

不过第一个方案更精准，毕竟你要的就是那些大写的区域名，直接提取比清理垃圾字符更高效。

验证结果 #

运行第一个方案的代码后，Country_list列就会完全符合你的期望输出。

内容的提问来源于stack exchange，提问作者The Great