如何用Pandas拆分清洗单列DataFrame为多列结构化数据

步骤1：将单列数据按3行一组重组为三列 #

你的原始数据是每3行对应一条完整的商品记录（价格、运费、产地），先把单列数据重新排列成三列结构：

import pandas as pd

# 模拟原始数据（实际使用时替换为你的DataFrame）
data = ["$ 145", "+ 22.34", "From USA", "$ 200", "+ 15.50", "From Canada"]
df = pd.DataFrame({'Price': data})

# 每3行一组重组为三列
grouped_data = df['Price'].values.reshape(-1, 3)
new_df = pd.DataFrame(grouped_data, columns=['Price', 'Shipping', 'Origin'])

步骤2：清洗Price和Shipping列并转为数值类型 #

用正则提取数字部分，去除所有非数字（小数点除外）的特殊字符，再转为数值类型：

# 清洗Price列，提取数字并转为float
new_df['Price'] = new_df['Price'].str.extract(r'(\d+\.?\d*)').astype(float)

# 清洗Shipping列，提取数字并转为float
new_df['Shipping'] = new_df['Shipping'].str.extract(r'(\d+\.?\d*)').astype(float)

最终效果 #

处理后的DataFrame完全符合你的需求，可直接导出CSV用于分析：

补充说明 #

如果原始Price字段存在$ C145这类含多余字母的情况，上述正则依然有效，会自动忽略字母、$、+、空格等特殊字符，只提取数字部分。导出CSV只需执行：

new_df.to_csv('price_analysis.csv', index=False)

内容的提问来源于stack exchange，提问作者Rashid