Pandas str.split() 函数无法正常工作

Question

在尝试使用 Pandas 系列 str.split() 函数拆分数据框“Actors”列中的值时，我得到的值比我指定的拆分多：

df['Actors'] = df['Actors'].str.split(",",n=3)

1      [timrobbins, morganfreeman, bobgunton, william...
2      [marlonbrando, alpacino, jamescaan, richardsca...
3      [alpacino, robertduvall, dianekeaton, robertde...
4      [christianbale, heathledger, aaroneckhart, mic...
5      [martinbalsam, johnfiedler, leejcobb, egmarshall]

如果我尝试使用下面的 sn-p 对上述结果进行切片，则 NaN 开始出现在结果中：

df['Actors'] = df['Actors'].str.split(",",n=3)[:3]
df['Actors'].head()

1    [timrobbins, morganfreeman, bobgunton, william...
2    [marlonbrando, alpacino, jamescaan, richardsca...
3    [alpacino, robertduvall, dianekeaton, robertde...
4                                                  NaN
5                                                  NaN
Name: Actors, dtype: object

或者，如果我使用如下所示的 apply 函数尝试 sn-p，则可以得到正确的结果：

df['Actors'] = df['Actors'].apply(lambda x: x.split(",")[:3])
df['Actors'].head()

1        [timrobbins, morganfreeman, bobgunton]
2           [marlonbrando, alpacino, jamescaan]
3         [alpacino, robertduvall, dianekeaton]
4    [christianbale, heathledger, aaroneckhart]
5         [martinbalsam, johnfiedler, leejcobb]
Name: Actors, dtype: object

我想知道为什么会发生这种异常以及在这种情况下如何正确使用 str.split() 函数？

要进一步检查数据，您可以使用以下 sn-p 代码自行下载数据：

df = pd.read_csv('https://query.data.world/s/uikepcpffyo2nhig52xxeevdialfl7',index_col=0)

Answer 1

IIUC，你现在想知道str.split(",",n=3)[:3] 和str.split(",").str[:3] 有什么不同

str.split(",",n=3)[:3] 在',' 上从左到右拆分并拆分 3 次。拆分的输出是每行是一个列表的系列。接下来，在输出上调用[:3]。它对输出的前 3 行进行切片，并仅返回新的 3 行系列。

df['Actors'] = df['Actors'].str.split(",",n=3)[:3] 是系列赋值。系列分配在索引上对齐。输出 3 行系列中不存在的任何 df['Actors'].index 将在值中分配为 NaN。这就是最终 df['Actors'] 只有 3 行有值而其余的是 NaN

的原因

在df['Actors'].str.split(",").str[:3]，是熊猫Indexing with .str。即，它是 pandas str 访问器的内置功能。它通过传递给[] 的数字对每一行的整个系列进行切片。您可以在这里阅读更多内容：https://pandas.pydata.org/pandas-docs/stable/user_guide/text.html#indexing-with-str。它返回与原始序列相同长度（相同行数）的序列，其中每行值都被[] 中的数字分割。

Answer 2

我刚刚找到了完成这项工作的方法。到目前为止，我对此没有任何解释。也许你们可以帮助我解释部分，但这个 sn-p 确实有效：

df['Actors'] = df['Actors'].str.split(",").str[:3]
df['Actors'].head()

1        [timrobbins, morganfreeman, bobgunton]
2        [marlonbrando, alpacino, jamescaan]
3        [alpacino, robertduvall, dianekeaton]
4        [christianbale, heathledger, aaroneckhart]
5        [martinbalsam, johnfiedler, leejcobb]
Name: Actors, dtype: object

Answer 3

您对df['Actors'] = df['Actors'].str.split(",", n=3)[:3] 所做的不是对字符串进行切片，而是对Series 进行切片。这就是为什么您从第四行开始得到NaNs 的原因。用 [:2] 再试一次，你会从第三行得到NaNs。

使用.apply(lambda x: x[:n])，您可以对实际的单个字符串进行切片。

或者，如果您不想使用.apply()，您可以将每一行的内容 切片而不是系列本身：

df['Actors'] = df['Actors'].str.split(",").str[:3]