如何在Python中对含有文本和数字混合的列进行智能拆分处理？-Python教程-PHP中文网

pandas.series.str.extract() 适用于结构化正则提取混合文本数字列，需定制精准模式避免宽泛匹配错误；对复杂或多匹配场景应使用 str.extractall() 并妥善整形；apply+自定义函数可兜底异常数据；提取后须显式类型转换确保后续计算可靠。

如何在python中对含有文本和数字混合的列进行智能拆分处理？

用 `pandas.Series.str.extract()` 提取数字和文本模式

混合列（如 "Apple2023"、"v2.1.5-beta"）不能靠简单空格或分隔符切分，得靠正则识别结构。直接用 str.split() 容易错切或丢数据，str.extract() 更可控——它只抓你明确写的模式，不强行分割。

常见错误是写太宽泛的正则，比如 r'(\D+)(\d+)' 会把 "v2.1.5" 中的点号当成 \D+ 一部分，结果提取出 "v2.1.5" 和空字符串。应该按实际格式定制：

版本号类（"v2.1.5-beta"）：用 r'v(?P<version>\d+\.\d+\.\d+)-(?P<stage>\w+)'</stage></version>
产品名+年份（"iPhone15"）：用 r'(?P<name>[a-zA-Z]+)(?P<year>\d{2,4})'</year></name>，注意 \d{2,4} 防止把 "iOS16" 的 16 当成年份误判为 2016
含小数或负号的数值（"temp-23.5°C"）：用 r'(?P<value>-?\d+\.?\d*)(?P<unit>°C|°F|%)'</unit></value>，-? 和 \.? 覆盖负数和整数场景

当正则无法覆盖全部样本时，用 `apply()` + 自定义函数兜底

str.extract() 遇到不匹配行会返回 NaN，但真实数据常有例外（比如突然冒出 "N/A" 或 "TBD"）。硬塞进正则只会让整个列变稀疏，不如主动分类处理。

写一个函数，先判断是否符合主模式，再 fallback 到其他逻辑：

def split_mixed(x):
    if pd.isna(x):
        return pd.Series([None, None])
    x = str(x)
    # 主模式：字母开头 + 数字结尾
    m = re.match(r'^([a-zA-Z]+)(\d+)$', x)
    if m:
        return pd.Series([m.group(1), int(m.group(2))])
    # 次要模式：纯数字或纯文本
    if x.isdigit():
        return pd.Series(['UNKNOWN', int(x)])
    if x.isalpha():
        return pd.Series([x, None])
    return pd.Series([x, None])  # 无法解析，保留原值
<p>df[['text_part', 'num_part']] = df['mixed_col'].apply(split_mixed)
</p>

关键点：apply() 返回 pd.Series 才能自动扩展成多列；别忘了 str() 强转，避免 float 类型（如 123.0）导致 re.match 失败。

`str.extractall()` 处理一列含多个数字/文本片段的情况

像 "CPU:i7-12800H RAM:16GB SSD:512GB" 这种，不是“一个文本+一个数字”，而是多个键值对混在一起。str.extract() 只能取第一个匹配，必须换 str.extractall()。

Python 3.14.2

Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。

下载

它返回一个 MultiIndex 的 Series，需用 unstack() 或 pivot() 整形：

pattern = r'(\w+):([\d\w]+(?:GB|GHz)?)'
# 提取所有键值对
extracted = df['spec_col'].str.extractall(pattern)
# 转成宽表，每行对应原行，每列为一种键（如 CPU、RAM）
wide = extracted.unstack(level=1).droplevel(0, axis=1)
wide.columns = ['CPU', 'RAM', 'SSD']  # 手动重命名，因 extractall 不保证顺序

注意：extractall() 对空值敏感，若某行没匹配到任何内容，该行在结果中直接消失——需要提前用 df.join() 补回索引，否则行数对不上。

性能与类型陷阱：别让 `object` 列拖慢后续计算

拆分后的新列默认是 object 类型，即使全是数字，pandas 也不会自动转 int64 或 float64。这会导致 .sum() 报错、plot() 画不出图、merge() 匹配失败。

安全转换方式：

数值列：用 pd.to_numeric(col, errors='coerce')，'coerce' 把异常值（如 "N/A"）转成 NaN，比 .astype(int) 更鲁棒
文本列：显式调用 .astype('string')（pandas 1.0+），避免后期 str.contains() 在 object 上报 AttributeError
混合列（如版本号）：别强转 float，保留 string 并用 str.split('.').str[0] 取主版本，更可靠