如何用正则表达式清理DataFrame姓名列：移除逗号后首词后续内容

原始数据与需求 #

用户有一个包含多种姓名格式的DataFrame列，需要清理成逗号后仅保留第一个单词的格式：

原始数据代码：

import pandas as pd
import re

d = {'names':['smith,john s','smith, john', 'brown, bob s', 'brown, bob']}
x = pd.DataFrame(d)

期望输出：
['smith,john','smith, john', 'brown, bob', 'brown, bob']

原代码的问题分析 #

用户尝试的代码存在三个核心问题：

• 正则错误使用/作为分隔符：Python的re模块不需要用/包裹正则模式，这会直接导致无法匹配目标内容
• 循环中冗余的str(x)：循环变量x已经是字符串类型的姓名，无需再次转换
• 正则逻辑不匹配需求：原正则/.\s+[^\s,]+/无法精准定位逗号后第一个单词之后的多余内容

正确解法 #

方法1：正则表达式替换（高效简洁） #

用正则匹配逗号后第一个单词之外的尾部内容，直接替换为空：

x['names'] = x['names'].str.replace(r'(?<=,\s*\w)\s+.+$', '', regex=True)

或者通过捕获组保留需要的部分：

x['names'] = x['names'].apply(lambda name: re.sub(r'(,\s*\w+)\s+.+$', r'\1', name))

方法2：字符串分割提取（直观易读） #

通过分割字符串的方式，只保留逗号后第一个单词：

x['names'] = x['names'].apply(lambda s: ','.join([part.split()[0] if i == 1 else part for i, part in enumerate(s.split(','))]))

也可以用str.extract直接提取目标内容：

x['names'] = x['names'].str.extract(r'^(\w+,\s*\w+)', expand=False)

验证结果 #

运行上述任意一种方法后，x['names']的输出都会符合预期：

0    smith,john
1    smith, john
2    brown, bob
3    brown, bob
Name: names, dtype: object

内容的提问来源于stack exchange，提问作者chicagobeast12