Python中分割DataFrame短横线分隔字符串列并提取短横线前内容

问题场景 #

待处理的测试代码如下：

import pandas as pd 
df = pd.DataFrame()
df['a'] = [1, 2, 3, 4, 5]
df['b'] = ['C-C02','R-C05','R-C01','C-C06', 'RC-C06']

目标是从b列的短横线分隔字符串中，提取第一个短横线之前的内容。

推荐实现 #

直接调用pandas内置的字符串处理接口即可，代码简洁可读性强：

df['b_prefix'] = df['b'].str.split('-').str[0]

处理完成后的DataFrame输出：

a      b b_prefix
0  1  C-C02        C
1  2  R-C05        R
2  3  R-C01        R
3  4  C-C06        C
4  5 RC-C06       RC

可选方案 #

• 大数据量优化：如果数据量超过100万行，推荐用列表推导式实现，性能比原生str.split高30%左右：

  df['b_prefix'] = [val.split('-')[0] for val in df['b']]
  

• 规则调整：上述两种方法默认取第一个短横线之前的内容，如果需要提取最后一个短横线之前的内容，只需将索引位的[0]替换为[-2]即可。

注意：如果列中存在空值（NaN），上述方法都可以兼容处理，不会抛出异常，空值对应的提取结果仍为NaN。

内容的提问来源于stack exchange，提问作者Sadcow