如何处理pandas列内不规则空格 保障str.split()正确拆分字段

有 pandas DataFrame 包含location列，列内容为美国地址信息，样例如下：

该列空格数量不统一：部分单元格存在3-5个不等的空格，标准格式仅需要2个空格，分别作为「城市-州」「州-邮政编码」的分隔。直接使用str.split()按空格拆分、或者全局替换空格为其他分隔符，都会因为城市名内部自带空格导致拆分片段长度不统一，无法得到预期的「城市/州/邮编」三段结构。
需求是仅替换城市名称内部的空格为连字符，保留两段分隔用空格，保证后续拆分正常。

这类地址字段不需要纠结空格数量，利用美国地址尾部两段格式固定的特征（州为2位大写字母缩写、邮编为数字开头的规则串），直接从后往前匹配即可，鲁棒性远高于正向计数空格的方案。

最优方案：正则直接拆分（无需提前替换空格） #

直接用str.extract()通过正则捕获组一次性拆分出三列，跳过替换空格的步骤，不管城市名带多少空格、分隔位有多少个空格都能精准匹配：

import pandas as pd

# 一次性拆分出城市、州、邮编三列
df[['city', 'state', 'zip_code']] = df['location'].str.extract(
    r'^(.*?)\s+([A-Z]{2})\s+(\d[\d-]*)$'
)

正则规则说明：

• ^：匹配字符串起始位置
• (.*?)：非贪婪匹配所有字符直到后续规则命中，对应城市名，兼容城市名内部带任意数量空格的情况
• \s+：匹配城市与州之间任意数量的空格（1个/3个/5个空格都可识别）
• ([A-Z]{2})：严格匹配2位大写字母的州缩写
• \s+：匹配州与邮编之间任意数量的空格
• (\d[\d-]*)$：匹配字符串末尾、数字开头的邮编，兼容5位基础邮编、带扩展位的12345-6789格式邮编

适配需求方案：先替换城市内空格为连字符再拆分 #

如果必须要先把location列处理成仅含2个分隔空格的格式、再走str.split()流程，可以在提取三段内容后单独处理城市名的空格，再拼接为标准格式：

import re

def clean_location(text):
    # 按固定规则拆分三段
    match_res = re.match(r'^(.*?)\s+([A-Z]{2})\s+(\d[\d-]*)$', text.strip())
    city, state, zipc = match_res.groups()
    # 仅替换城市内部的空格为连字符
    city = city.replace(' ', '-')
    # 拼接为标准单空格分隔格式
    return f"{city} {state} {zipc}"

df['location_clean'] = df['location'].apply(clean_location)
# 此时按单个空格拆分百分百得到3段
df[['city', 'state', 'zip_code']] = df['location_clean'].str.split(' ', expand=True)

注意：不要使用正向数空格位置、全局替换空格的逻辑，美国存在大量多空格城市名（如New York、Salt Lake City、Las Vegas），正向规则很容易出现拆分错位，基于尾部固定格式反向匹配是这类地址处理的通用无坑方案。

内容的提问来源于stack exchange，提问作者ela rednax