本文介绍如何使用 Pandas 处理 DataFrame 中多个列包含相同分隔符的情况，并根据分隔符将行进行拆分。重点在于避免拆分后引入不必要的 NaN 值，并确保其他未拆分列的数据得到正确填充。通过结合 groupby 和 ffill 方法，可以高效地实现这一目标，使得数据处理流程更加简洁和高效。
在数据处理过程中，经常会遇到需要根据特定分隔符拆分 DataFrame 行的情况，尤其是当多个列都包含该分隔符时。一种常见的错误做法是直接使用 str.split 和 stack 方法，这会导致未拆分的列出现 NaN 值。本文将介绍一种更有效的方法，使用 groupby 和 ffill 避免 NaN 值的产生，并保证数据的完整性。
问题描述
假设我们有一个 DataFrame，其中某些行的多个列包含相同数量的分隔符（例如 ;）。我们的目标是根据这些分隔符拆分行，同时保持其他列的数据不变。例如：
import pandas as pd
data = {'ID': [34, 35],
'Name': ['Alt-Tempelhof Ecke Tempelhofer Damm', 'Alt-Wittenau'],
'Type': ['bus', 'bus'],
'Lines': ['A77,A68,A76', 'A62 ; A15,A21'],
'Coordinates': ['52.465964306830664, 13.38558297633417', '52.58972877186178, 13.334169215342472 ; 52.59166508975595, 13.326326895395114'],
'Extra': [None, 'Alt-Wittenau Ecke Oranienburger Straße ; Alt-Wittenau Ecke Eichborndamm']}
df = pd.DataFrame(data)
print(df)输出：
ID Name Type Lines \
0 34 Alt-Tempelhof Ecke Tempelhofer Damm bus A77,A68,A76
1 35 Alt-Wittenau bus A62 ; A15,A21
Coordinates Extra
0 52.465964306830664, 13.38558297633417 None
1 52.58972877186178, 13.334169215342472 ; 52.59166508975595, 13.326326895395114 Alt-Wittenau Ecke Oranienburger Straße ; Alt-Wittenau Ecke Eichborndamm解决方案
- 使用 str.split 和 stack 拆分列
首先，对 DataFrame 中的每一列使用 str.split(';', expand=True) 将包含分隔符的列拆分成多列，然后使用 stack() 将这些列堆叠起来。
split_df = pd.concat([df[col].astype(str).str.split(';', expand=True).stack().str.strip() for col in df.columns], axis=1, keys=df.columns)- 使用 groupby 和 ffill 填充缺失值
关键在于使用 groupby(level=0).ffill()。groupby(level=0) 将数据按照原始 DataFrame 的索引进行分组，然后 ffill() 方法在每个分组内向前填充缺失值。这确保了在拆分行时，其他列的数据能够正确地复制到新的行中。
split_df = split_df.groupby(level=0).ffill().reset_index(drop=True)
完整代码示例
import pandas as pd
data = {'ID': [34, 35],
'Name': ['Alt-Tempelhof Ecke Tempelhofer Damm', 'Alt-Wittenau'],
'Type': ['bus', 'bus'],
'Lines': ['A77,A68,A76', 'A62 ; A15,A21'],
'Coordinates': ['52.465964306830664, 13.38558297633417', '52.58972877186178, 13.334169215342472 ; 52.59166508975595, 13.326326895395114'],
'Extra': [None, 'Alt-Wittenau Ecke Oranienburger Straße ; Alt-Wittenau Ecke Eichborndamm']}
df = pd.DataFrame(data)
split_df = pd.concat([df[col].astype(str).str.split(';', expand=True).stack().str.strip() for col in df.columns], axis=1, keys=df.columns)
split_df = split_df.groupby(level=0).ffill().reset_index(drop=True)
print(split_df)输出：
ID Name Type Lines \
0 34 Alt-Tempelhof Ecke Tempelhofer Damm bus A77,A68,A76
1 35 Alt-Wittenau bus A62
2 35 Alt-Wittenau bus A15,A21
Coordinates Extra
0 52.465964306830664, 13.38558297633417 None
1 52.58972877186178, 13.334169215342472 Alt-Wittenau Ecke Oranienburger Straße
2 52.59166508975595, 13.326326895395114 Alt-Wittenau Ecke Eichborndamm注意事项
- 确保所有列的数据类型一致，可以使用 astype(str) 将所有列转换为字符串类型。
- str.strip() 用于去除拆分后的字符串中的空格，保证数据的清洁性。
- 如果你的分隔符不是 ;，请相应地修改 str.split() 中的分隔符参数。
总结
通过结合 str.split、stack、groupby 和 ffill 方法，我们可以高效地处理 DataFrame 中包含相同分隔符的多列，并根据分隔符将行进行拆分，同时避免 NaN 值的产生，保证数据的完整性。这种方法在数据清洗和预处理过程中非常有用，能够提高数据处理的效率和准确性。
