如何在Pandas中将#h #m #s格式时间数据拆分为时分秒列？

这问题我日常处理数据时碰到过好几次，核心思路都是用正则匹配提取对应单位的数值，缺失的单位补0，具体实现要看你用什么工具——下面给你列几个最常用场景的最优方法：

1. Excel/Google Sheets（轻量表格处理首选） #

直接用REGEXEXTRACT结合IFERROR就能搞定，不用写宏，公式复制就能用：

• h列公式：=IFERROR(VALUE(REGEXEXTRACT(A2,"(\d+)h")),0)
• m列公式：=IFERROR(VALUE(REGEXEXTRACT(A2,"(\d+)m")),0)
• s列公式：=IFERROR(VALUE(REGEXEXTRACT(A2,"(\d+)s")),0)

原理说明： #

• REGEXEXTRACT(A2,"(\d+)h")：从A2单元格的字符串里提取出跟在数字后面的"h"对应的数字部分
• VALUE()：把提取到的文本转成数值
• IFERROR(...,0)：如果找不到对应单位（比如没有h），就返回0补位

2. Python Pandas（大数据量/自动化分析首选） #

如果你的数据是在DataFrame里，写个简单的自定义函数就能批量拆分，效率很高：

import pandas as pd
import re

def parse_time(time_str):
    # 匹配所有"数字+单位"的组合
    time_matches = re.findall(r'(\d+)([hms])', time_str)
    # 初始化默认值为0的字典
    time_dict = {'h': 0, 'm': 0, 's': 0}
    # 把匹配到的数值填充到对应单位
    for num, unit in time_matches:
        time_dict[unit] = int(num)
    # 返回Series，方便直接拆成列
    return pd.Series(time_dict)

# 假设你的数据列叫"Case Processing Time (sum)"
df[['h', 'm', 's']] = df['Case Processing Time (sum)'].apply(parse_time)

优势： #

• 支持批量处理上万行数据，比手动拖公式快N倍
• 可以灵活扩展（比如后续要处理d天的单位，只需要改字典和正则）

3. SQL（数据库内数据处理首选） #

如果数据存在数据库里，可以用正则函数直接在SQL里拆分，不用导出到其他工具：

MySQL/MariaDB示例： #

SELECT
  IFNULL(CAST(REGEXP_SUBSTR(time_col, '[0-9]+(?=h)') AS UNSIGNED), 0) AS h,
  IFNULL(CAST(REGEXP_SUBSTR(time_col, '[0-9]+(?=m)') AS UNSIGNED), 0) AS m,
  IFNULL(CAST(REGEXP_SUBSTR(time_col, '[0-9]+(?=s)') AS UNSIGNED), 0) AS s
FROM your_table;

PostgreSQL示例： #

SELECT
  COALESCE((REGEXP_MATCH(time_col, '(\d+)h'))[1]::INT, 0) AS h,
  COALESCE((REGEXP_MATCH(time_col, '(\d+)m'))[1]::INT, 0) AS m,
  COALESCE((REGEXP_MATCH(time_col, '(\d+)s'))[1]::INT, 0) AS s
FROM your_table;

总结 #

• 日常小量数据用Excel/Google Sheets公式最快，不用写代码
• 数据分析/批量处理用Pandas最灵活高效
• 数据库内数据直接用SQL正则提取，避免数据导出导入的麻烦

内容的提问来源于stack exchange，提问作者Eren Han