如何从Pandas DataFrame的字符串列中提取基金类别？

嘿，这个需求我之前刚好处理过类似的，用Pandas结合正则表达式就能完美解决，咱们分情况来一步步搞：

首先，先模拟你的数据场景，方便你直接测试：

import pandas as pd

# 构造示例数据，包含你提到的各种情况
data = {
    'fund_name': [
        '1 Janus Henderson Research Fund Class N',
        '2 Calvert Equity Fund Class A',
        '3 Invesco Diversified Dividend Fund R5 Class',  # 类别在Class前面的特殊情况
        '4 Some Random Fund Without Class Tag',
        '5 Federated Equity Income Fund, Inc. Class A Shares'
    ]
}
df = pd.DataFrame(data)

接下来核心是写一个能覆盖两种核心情况的正则表达式：一种是Class后面跟着类别（比如Class N、Class A Shares），另一种是类别在Class前面（比如R5 Class）。然后用Pandas的str.extract方法提取，没匹配到的自动会设为NaN（也就是你要的NA）。

代码如下：

# 正则表达式：匹配两种模式，捕获组会提取对应的类别部分
pattern = r'(Class\s+\w+(?:\s+\w+)?|\w+\s+Class)'

# 提取基金类别，无匹配则为NaN
df['fund_class'] = df['fund_name'].str.extract(pattern, expand=False)

# 可选：如果想把「R5 Class」这种格式统一成「Class R5」的风格，加这一步
df['fund_class'] = df['fund_class'].apply(
    lambda x: f"Class {x.split()[0]}" if x and x.endswith('Class') else x
)

运行后你会得到这样的结果：

>>> df
                                            fund_name    fund_class
0              1 Janus Henderson Research Fund Class N       Class N
1                      2 Calvert Equity Fund Class A         Class A
2          3 Invesco Diversified Dividend Fund R5 Class       Class R5
3                  4 Some Random Fund Without Class Tag            NaN
4  5 Federated Equity Income Fund, Inc. Class A Shares  Class A Shares

简单解释下逻辑： #

• 正则里的Class\s+\w+(?:\s+\w+)?：专门匹配Class后面跟着1个或多个单词的情况（比如Class A Shares这种带多个词的类别也能捕获）；
• \w+\s+Class：匹配类别在Class前面的情况（比如R5 Class）；
• str.extract只会提取第一个匹配到的内容，没匹配到就返回NaN，完美符合你“不含Class设为NA”的要求；
• 最后的apply是可选操作，用来统一格式，如果你不需要统一，直接去掉就行。

如果你的数据里还有更特殊的格式（比如类别带连字符、数字组合），可以把正则里的\w+改成[\w-]+，这样就能匹配带连字符的类别了。

内容的提问来源于stack exchange，提问作者Akshay Ram