使用str_detect精准匹配时的婚姻状态分类错误问题

看起来你遇到的问题是匹配规则没精准区分完整前缀，或者条件判断顺序不对——比如用str.contains('Mr')时，"Mrs."里的"Mr"子串会被误匹配，导致已婚女性被错归到已婚男性类别里。下面给你两个靠谱的解决方案：

方案1：调整匹配顺序+精准正则（推荐） #

优先匹配更具体的前缀（比如Mrs.），同时用正则的单词边界(\b)确保匹配的是完整前缀，而非子串：

import pandas as pd
import numpy as np

# 假设你的数据框是df，包含name列
conditions = [
    # 先匹配已婚女性前缀，避免被后续规则覆盖
    df['name'].str.contains(r'\bMrs\.', regex=True),
    # 匹配已婚男性的前缀，用|分隔，同样加单词边界
    df['name'].str.contains(r'\bMr\.|\bMs\.|\bMme\.', regex=True)
]

titles = [
    "Mujer casada（已婚女性）",
    "Hombre casado（已婚男性）"
]

# 给title列赋值，未匹配到的设为默认值
df['title'] = np.select(conditions, titles, default="Sin clasificar（未分类）")

方案2：用startswith匹配开头前缀（更简单） #

姓名前缀通常出现在字符串开头，用str.startswith会更精准，直接匹配开头的前缀，完全避免子串误匹配的问题：

import pandas as pd
import numpy as np

conditions = [
    df['name'].str.startswith('Mrs.'),
    # 传入元组可同时匹配多个前缀
    df['name'].str.startswith(('Mr.', 'Ms.', 'Mme.'))
]

titles = [
    "Mujer casada（已婚女性）",
    "Hombre casado（已婚男性）"
]

df['title'] = np.select(conditions, titles, default="Sin clasificar（未分类）")

为什么原来的代码会出错？ #

举个典型的错误示例：

# 错误示例：先匹配Mr，导致Mrs被误判
df.loc[df['name'].str.contains('Mr|Ms|Mme'), 'title'] = "Hombre casado（已婚男性）"
df.loc[df['name'].str.contains('Mrs'), 'title'] = "Mujer casada（已婚女性）"

这里的问题有两个：

1. 执行顺序：先匹配了包含Mr的字符串，而"Mrs."里刚好包含"Mr"子串，导致已婚女性先被赋值为已婚男性，后续的Mrs匹配无法覆盖。
2. 匹配精度：没有限定前缀的位置或边界，导致子串也会被误匹配。

按照上面的方案调整后，就能完美区分不同前缀对应的婚姻状态啦！

内容的提问来源于stack exchange，提问作者Sergio Urrea González