Pandas提取候选人姓氏异常：str.get()未正确处理含Jr.的姓名

错误原因 #

你写的names函数逻辑是对整个DataFrame列做全局判断，而非针对每一行的姓名单独处理。比如如果你的代码是判断整个列是否所有姓名都含"Jr."，只要有一个姓名不含该后缀，所有行都会走else分支——而含"Jr."的姓名拆分后，倒数第二个元素才是姓氏，倒数第一个是"Jr."，所以会错误提取出"Jr."。

解决方法 #

方法一：逐行判断的矢量化实现 #

用np.where结合字符串判断，针对每一行姓名单独处理，逻辑清晰直接：

import numpy as np
import pandas as pd

# 示例DataFrame
df = pd.DataFrame({
    'Candidate_Name': ['Herman West Jr.', 'John A. Smith', 'Robert Lee', 'Mike Brown Jr.']
})

# 拆分姓名为单词列表（正则处理多个空格的情况）
name_parts = df['Candidate_Name'].str.split(r'\s+')

# 逐行判断：含"Jr."则取倒数第二个单词，否则取倒数第一个
df['Last_Name'] = np.where(
    df['Candidate_Name'].str.contains(r'\bJr\.', case=False),  # \b确保匹配独立的"Jr."，兼容大小写
    name_parts.str.get(-2),
    name_parts.str.get(-1)
)

运行后输出结果：

方法二：正则提取（更鲁棒，支持多种后缀） #

如果还需要处理Sr.、III、II等其他后缀，用正则提取更灵活：

import re

# 第一步：提取带后缀的姓名中的姓氏
df['Last_Name'] = df['Candidate_Name'].str.extract(
    r'(\w+)\s+(?:Jr\.|Sr\.|III|II)$', 
    expand=False,
    flags=re.IGNORECASE  # 忽略大小写
)

# 第二步：填充不带后缀的姓名的姓氏（取最后一个单词）
df['Last_Name'] = df['Last_Name'].fillna(
    df['Candidate_Name'].str.extract(r'(\w+)$', expand=False)
)

这个方法能覆盖更多姓名后缀场景，避免索引取值的局限性。

额外注意事项 #

• 如果姓名中有多个连续空格，用str.split(r'\s+')代替默认的str.split()，确保拆分结果准确
• 若存在连字符姓氏（如Anna Lee-Smith），需要调整正则或拆分逻辑，比如先按空格拆分，再检查最后一个元素是否包含连字符

内容的提问来源于stack exchange，提问作者Damon C. Roberts