Python实现DataFrame列数据拉丁/非拉丁分类及代码问题排查

我来帮你排查代码里的问题，顺便实现遍历所有列输出分类结果的功能～

原代码的问题分析 #

你的代码之所以始终返回「Latin」，主要有两个核心问题：

• 正则表达式写法错误：Python的正则不识别U+0000-U+007F这种格式，正确的ASCII范围（拉丁字符核心范围）写法应该是\x00-\x7F。原代码里的表达式其实是在匹配U、+、0-7、F这些单个字符，几乎所有文本列都会包含这些字符，所以永远返回Latin。
• 逻辑完全搞反：你原本想判断是否存在非拉丁字符，但原代码的逻辑是「只要列里有一个ASCII字符就返回Latin」——这显然不符合需求，我们需要的是「如果列里存在非ASCII字符，就标记为Non-Latin，否则为Latin」。

修正后的完整实现 #

首先定义一个判断列是否为拉丁字符的辅助函数，然后遍历DataFrame的所有列输出结果：

import pandas as pd

def is_latin_column(col_series):
    # 将列转换为字符串，检查是否存在非ASCII（非拉丁）字符
    # [^\x00-\x7F] 匹配所有不在ASCII范围内的字符
    has_non_latin = col_series.astype(str).str.contains(r'[^\x00-\x7F]').any()
    # 如果没有非拉丁字符返回True（Latin），否则返回False（Non-Latin）
    return not has_non_latin

# 遍历所有列并输出分类结果
for col_name in dataset.columns:
    classification = "Latin" if is_latin_column(dataset[col_name]) else "Non-Latin"
    print(f"{col_name}: {classification}")

测试示例 #

假设你的数据集是这样的：

data = {
    'name': ['张三', 'Alice', 'Bob'],
    'company': ['Tech Corp', 'ABC Ltd', 'XYZ Inc'],
    'address': ['北京市朝阳区', '123 Main St', '456 Oak Ave'],
    'ssn': ['123-45-6789', '987-65-4321', '111-22-3333'],
    'creditcardnumber': ['4111-1111-1111-1111', '5555-5555-5555-4444', '6011-1111-1111-1111']
}
dataset = pd.DataFrame(data)

运行代码后会得到如下输出：

name: Non-Latin
company: Latin
address: Non-Latin
ssn: Latin
creditcardnumber: Latin

内容的提问来源于stack exchange，提问作者Proton