单列文本拆分为多列，Python可以自动化
标签：Python与Excel,pandas
在Excel中，我们经常会遇到要将文本拆分。Excel中的文本拆分为列，可以使用公式、“分列”功能或Power Query来实现。
图1
然而，这三种方法都有点低效，需要手动输入。为了自动化这些手工操作，本文将展示如何在Python数据框架中将文本拆分为列。
准备用于演示的数据框架
这里将使用一个简单的示例，你可以到知识星球完美Excel社群下载Excel示例文件或者自己按照下图所示创建一个Excel文件，以方便进行后续操作。示例文件包含两列，一个人的姓名和出生日期。
图2
我们的任务如下：
1.把名字和姓氏分开
2.将出生日期拆分为年、月和日
让我们将数据加载到Python中。在这里，我特意将“出生日期”列中的类型强制为字符串，以便展示切片方法。实际上，pandas应该自动检测此列可能是datetime，并为其分配datetime对象，这使得处理日期数据更加容易。
import pandas as pd
df = pd.read_excel('D:\split_text.xlsx',dtype={'姓名':str, '出生日期':str})
图3
不使用循环，而是使用矢量化操作
对于了解Excel并且倾向于使用公式来解决此问题的人，第一反应可能是：好的，我将创建一个可能包含FIND函数和LEFT函数或MID函数等的公式，然后向下拖动以将其应用于所有单元格。虽然在Excel中这样做是可以的，但在Python中这样做从来都不是正确的。上述操作：创建一个公式然后下拉，对于编程语言来说，被称为“循环”。当我们使用pandas来处理数据时，我们不会使用循环，相反，我们使用矢量化操作来实现快速处理。
矢量化操作（在表面上）相当于Excel的“分列”按钮或Power Query的“拆分列”，我们在其中选择一列并对整个列执行某些操作。在Python中，矢量化操作是处理数据的标准方法，因为它比循环快数百倍。后续我们会讨论为什么它要快得多。
一旦我们将Excel表加载到pandas中，整个表将成为pandas数据框架，“出生日期”列将成为pandas系列。因为我们不能循环，所以需要一种方法来访问该系列中的字符串元素。这就是.str出现的地方。它基本上允许访问序列中的字符串元素，因此我们可以对列执行常规String方法。
Python字符串切片
让我们首先处理日期，因为它们看起来间隔相等，应该更容易。我们可以使用Python字符串切片来获取年、月和日。字符串本质上类似于元组，我们可以对字符串使用相同的列表切片技术。看看下面的例子。
图4
要在数据框架的列上使用此切片方法，我们可以执行以下操作：
图5
字符串.split()方法
.split()方法允许根据给定的分隔符将文本拆分为多个部分。看一个例子：
图6
上面的示例使用逗号作为分隔符，将字符串拆分为两个单词。从技术上讲，我们可以使用字符作为分隔符。注意：返回结果是两个单词（字符串）的列表。
那么，如何将其应用于数据框架列？你可能已经明白了，我们使用.str！让我们在“姓名”列中尝试一下，以获得名字和姓氏。
图7
拆分是成功的，但是当我们检查数据类型时，它似乎是一个pandas系列，每行是包含两个单词的列表。我们想要的是将文本分成两列（pandas系列），需要用到split()方法的一个可选参数：expand。当将其设置为True时，可以将拆分的项目返回到不同的列中。
图8
正如预期的那样，由于存在多个列（系列），因此返回的结果实际上是一个数据框架。现在，我们可以轻松地将文本拆分为不同的列：
df['名字'] = df['姓名'].str.split(',',expand=True)[1]
df['姓氏'] = df['姓名'].str.split(',',expand=True)[0]