str.split(expand=True)是最直接的字符串拆分方式，能一步生成多列DataFrame，自动补NaN处理不等长结果，但需注意列名、数据类型转换及异常格式排查。
str.split(expand=True) 是最直接的拆分方式
当你的数据是 pandas.Series，且每行字符串用固定分隔符（如逗号、空格、下划线）分隔时，str.split(expand=True) 能一步生成多列 DataFrame。它比手动 apply(lambda x: x.split(...)) 更快，也比先 str.split() 再转 pd.DataFrame 更简洁。
常见错误是漏掉 expand=True：默认 expand=False 返回的是含列表的 Series，无法直接赋值给多列。
-
df['col'].str.split(',', expand=True)→ 返回 DataFrame，可直接赋给新列 -
df['col'].str.split(',')→ 返回 Series，每个元素是list，不能直接df[['a','b']] = ... - 若原始列含缺失值（
NaN），str.split默认保留NaN行，结果对应位置也是NaN，无需额外处理
处理不等长分割结果时 expand=True 会自动补 NaN
比如一列数据是 ["a,b", "c,d,e", "f"]，用 str.split(',', expand=True) 会返回 3 列（以最长行为准），不足部分填 NaN。这通常符合预期，但要注意后续计算是否容忍 NaN。
如果你明确知道最大分割数，又想避免多余列，可以加 n 参数限制切割次数：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
df['col'].str.split(',', n=2, expand=True)→ 最多切 2 次，得到 3 列（第 0、1、2 段），剩余部分全归入最后一列 -
n=1等价于“只在第一个分隔符处分割”，适合分离 key-value 类型字符串 - 不设
n时，会尽可能切到底，列数由最长行决定，容易导致列名不直观（0,1,2,…）
列名没意义？用 add_prefix 或直接重命名
expand=True 返回的 DataFrame 默认列名是整数索引 0,1,2...，直接赋值会给目标列起这种名字，影响可读性。
- 推荐立刻用
.add_prefix('part_')：如df['col'].str.split('_', expand=True).add_prefix('tag_')→ 列名变成tag_0,tag_1 - 或用
.rename(columns={0:'first', 1:'second', 2:'rest'})，但需确保列数稳定，否则报KeyError - 如果原列有重复分隔符（如多个连续空格），
str.split()默认跳过空字段；要用str.split(' ', expand=True, n=...)并配合regex=False避免正则干扰
split 后数据类型全是 object？需要显式转换
无论原始字符串里是数字还是布尔值，str.split(..., expand=True) 输出的所有列都是 object 类型。pandas 不会自动推断子列类型，必须手动转换。
- 数值列：用
.astype(float)或pd.to_numeric(..., errors='coerce')处理脏数据 - 日期列：先拆再用
pd.to_datetime()，不要试图对原始字符串列直接转 - 布尔列：注意字符串可能是
"True"/"False"，需先.str.capitalize()再.astype(bool)，否则报错 - 性能提示：批量转换比逐行
apply快得多，别用lambda做类型转换
实际中真正麻烦的不是怎么拆，而是拆完发现某几行格式异常（比如少一个字段、多了个空格、编码乱码），导致列对不齐或类型转换失败。建议拆分前先用 df['col'].str.count('\|').value_counts()（把 \| 换成你的分隔符）看看分隔符数量分布，心里有底再动手。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
