使用pandas.str.split提取泰坦尼克号数据集头衔出现重复序列问题

这个问题我之前处理泰坦尼克号数据集时也碰到过，核心是提取的头衔藏了前导空格，再加上split方法的小细节没处理好，咱们一步步解决：

先搞懂问题出在哪 #

你用str.split('[,.]')提取的头衔，看起来显示是Mr，但实际是带前导空格的字符串（比如' Mr'）——不信你可以打印data.Title.str.len()看看，正常Mr长度是2，带空格的版本长度是3。这就是为什么data.Title == 'Mr'会全返回False，因为字符串实际不相等；而索引单行出现重复，大概率是原Series处理时没对齐索引，加上空格问题放大了异常。

解决方案一：给提取的结果做空格清理 #

直接在提取后加上str.strip()，把前后的空格都去掉：

# 重新提取并清理空格
data['Title'] = data.Name.str.split('[,.]').str.get(1).str.strip()

执行完这段代码后，你再试：

• data.Title[0]会返回单纯的'Mr'，不会有重复索引
• data.Title == 'Mr'能正常返回True/False，过滤数据集也能正常工作

解决方案二：用正则直接提取（更推荐） #

比起split后再处理空格，用正则表达式直接匹配头衔更精准，一步到位：

data['Title'] = data.Name.str.extract(r',\s*(\w+)', expand=False)

这个正则的逻辑是：匹配姓名里的逗号，，跳过逗号后面任意数量的空白字符\s*，然后直接捕获后面的单词(\w+)——也就是我们要的头衔，完全不需要额外处理空格。

验证效果 #

做完上面的操作后，你可以做几个简单验证：

• 查看单行值：print(data.Title[0])，输出应该是Mr
• 筛选验证：data[data.Title == 'Mr']，能正常筛选出头衔为Mr的所有行
• 查看唯一值：print(data.Title.unique())，会得到干净的头衔列表，比如['Mr', 'Mrs', 'Miss', 'Master', 'Dr']这类

内容的提问来源于stack exchange，提问作者Lita