Eu tenho um quadro de dados com uma coluna e gostaria de dividi-lo em duas colunas, com um cabeçalho de coluna como ' fips'e o outro'row'

Meu dataframe dffica assim:

          row
0    00000 UNITED STATES
1    01000 ALABAMA
2    01001 Autauga County, AL
3    01003 Baldwin County, AL
4    01005 Barbour County, AL

Não sei como usar df.row.str[:]para atingir meu objetivo de dividir a célula da linha. Eu posso usar df['fips'] = hellopara adicionar uma nova coluna e preenchê-la hello. Alguma ideia?

         fips       row
0    00000 UNITED STATES
1    01000 ALABAMA 
2    01001 Autauga County, AL
3    01003 Baldwin County, AL
4    01005 Barbour County, AL

Pode haver uma maneira melhor, mas esta é uma abordagem:

                            row
    0       00000 UNITED STATES
    1             01000 ALABAMA
    2  01001 Autauga County, AL
    3  01003 Baldwin County, AL
    4  01005 Barbour County, AL

df = pd.DataFrame(df.row.str.split(' ',1).tolist(),
                                 columns = ['flips','row'])

   flips                 row
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Versão TL; DR:

Para o caso simples de:

• Eu tenho uma coluna de texto com um delimitador e quero duas colunas

A solução mais simples é:

df['A'], df['B'] = df['AB'].str.split(' ', 1).str

Ou você pode criar um DataFrame com uma coluna para cada entrada da divisão automaticamente com:

df['AB'].str.split(' ', 1, expand=True)

Você deve usar expand=Truese suas seqüências de caracteres tiverem um número não uniforme de divisões e desejar Nonesubstituir os valores ausentes.

Observe como, em ambos os casos, o .tolist()método não é necessário. Nem é zip().

Em detalhe:

A solução de Andy Hayden é mais excelente para demonstrar o poder do str.extract()método.

Mas, para uma simples divisão sobre um separador conhecido (como, por hífens ou em branco), o .str.split()método é suficiente ¹ . Opera em uma coluna (Série) de cadeias e retorna uma coluna (Série) de listas:

>>> import pandas as pd
>>> df = pd.DataFrame({'AB': ['A1-B1', 'A2-B2']})
>>> df

      AB
0  A1-B1
1  A2-B2
>>> df['AB_split'] = df['AB'].str.split('-')
>>> df

      AB  AB_split
0  A1-B1  [A1, B1]
1  A2-B2  [A2, B2]

_{1: Se você não tiver certeza do que os dois primeiros parâmetros .str.split()fazem, recomendo os documentos para a versão simples do método Python .}

Mas como você vai:

• uma coluna contendo listas de dois elementos

para:

• duas colunas, cada uma contendo o respectivo elemento das listas?

Bem, precisamos dar uma olhada mais de perto no .str atributo de uma coluna.

É um objeto mágico que é usado para coletar métodos que tratam cada elemento em uma coluna como uma sequência e, em seguida, aplica o método respectivo em cada elemento da maneira mais eficiente possível:

>>> upper_lower_df = pd.DataFrame({"U": ["A", "B", "C"]})
>>> upper_lower_df

   U
0  A
1  B
2  C
>>> upper_lower_df["L"] = upper_lower_df["U"].str.lower()
>>> upper_lower_df

   U  L
0  A  a
1  B  b
2  C  c

Mas também possui uma interface de "indexação" para obter cada elemento de uma string pelo seu índice:

>>> df['AB'].str[0]

0    A
1    A
Name: AB, dtype: object

>>> df['AB'].str[1]

0    1
1    2
Name: AB, dtype: object

Obviamente, essa interface de indexação .strnão se importa realmente se cada elemento que está sendo indexado é realmente uma string, desde que possa ser indexado, portanto:

>>> df['AB'].str.split('-', 1).str[0]

0    A1
1    A2
Name: AB, dtype: object

>>> df['AB'].str.split('-', 1).str[1]

0    B1
1    B2
Name: AB, dtype: object

Então, é uma simples questão de tirar vantagem da descompactação tupla do Python dos iteráveis

>>> df['A'], df['B'] = df['AB'].str.split('-', 1).str
>>> df

      AB  AB_split   A   B
0  A1-B1  [A1, B1]  A1  B1
1  A2-B2  [A2, B2]  A2  B2

Obviamente, tirar um DataFrame da divisão de uma coluna de strings é tão útil que o .str.split()método pode fazer isso por você com o expand=Trueparâmetro:

>>> df['AB'].str.split('-', 1, expand=True)

    0   1
0  A1  B1
1  A2  B2

Portanto, outra maneira de realizar o que queríamos é fazer:

>>> df = df[['AB']]
>>> df

      AB
0  A1-B1
1  A2-B2

>>> df.join(df['AB'].str.split('-', 1, expand=True).rename(columns={0:'A', 1:'B'}))

      AB   A   B
0  A1-B1  A1  B1
1  A2-B2  A2  B2

A expand=Trueversão, embora mais longa, possui uma vantagem distinta sobre o método de descompactação da tupla. A descompactação da tupla não lida bem com divisões de diferentes comprimentos:

>>> df = pd.DataFrame({'AB': ['A1-B1', 'A2-B2', 'A3-B3-C3']})
>>> df
         AB
0     A1-B1
1     A2-B2
2  A3-B3-C3
>>> df['A'], df['B'], df['C'] = df['AB'].str.split('-')
Traceback (most recent call last):
  [...]    
ValueError: Length of values does not match length of index
>>> 

Mas expand=Truelida bem com isso, colocando Nonenas colunas para as quais não há "divisões" suficientes:

>>> df.join(
...     df['AB'].str.split('-', expand=True).rename(
...         columns={0:'A', 1:'B', 2:'C'}
...     )
... )
         AB   A   B     C
0     A1-B1  A1  B1  None
1     A2-B2  A2  B2  None
2  A3-B3-C3  A3  B3    C3

Você pode extrair as diferentes partes com bastante nitidez usando um padrão regex:

In [11]: df.row.str.extract('(?P<fips>\d{5})((?P<state>[A-Z ]*$)|(?P<county>.*?), (?P<state_code>[A-Z]{2}$))')
Out[11]: 
    fips                    1           state           county state_code
0  00000        UNITED STATES   UNITED STATES              NaN        NaN
1  01000              ALABAMA         ALABAMA              NaN        NaN
2  01001   Autauga County, AL             NaN   Autauga County         AL
3  01003   Baldwin County, AL             NaN   Baldwin County         AL
4  01005   Barbour County, AL             NaN   Barbour County         AL

[5 rows x 5 columns]

Para explicar a regex um tanto longa:

(?P<fips>\d{5})

• Corresponde aos cinco dígitos ( \d) e os nomeia"fips" .

A próxima parte:

((?P<state>[A-Z ]*$)|(?P<county>.*?), (?P<state_code>[A-Z]{2}$))

Faz ( |) uma das duas coisas:

(?P<state>[A-Z ]*$)

• Corresponde a qualquer número ( *) de letras maiúsculas ou espaços ( [A-Z ]) e nomeia isso "state"antes do final da sequência ( $),

ou

(?P<county>.*?), (?P<state_code>[A-Z]{2}$))

• corresponde a qualquer outra coisa (.* )
• uma vírgula e um espaço então
• corresponde aos dois dígitos state_codeantes do final da string ( $).

No exemplo:
Observe que as duas primeiras linhas atingem o "estado" (deixando o NaN nas colunas county e state_code), enquanto as três últimas atingem o município, state_code (deixando o NaN na coluna state).

df[['fips', 'row']] = df['row'].str.split(' ', n=1, expand=True)

Se você não deseja criar um novo quadro de dados ou se o seu quadro de dados tiver mais colunas do que as que você deseja dividir, você poderá:

df["flips"], df["row_name"] = zip(*df["row"].str.split().tolist())
del df["row"]  

Você pode usar str.splitpor espaço em branco (separador padrão) e parâmetro expand=Truepara DataFrameatribuir a novas colunas:

df = pd.DataFrame({'row': ['00000 UNITED STATES', '01000 ALABAMA', 
                           '01001 Autauga County, AL', '01003 Baldwin County, AL', 
                           '01005 Barbour County, AL']})
print (df)
                        row
0       00000 UNITED STATES
1             01000 ALABAMA
2  01001 Autauga County, AL
3  01003 Baldwin County, AL
4  01005 Barbour County, AL



df[['a','b']] = df['row'].str.split(n=1, expand=True)
print (df)
                        row      a                   b
0       00000 UNITED STATES  00000       UNITED STATES
1             01000 ALABAMA  01000             ALABAMA
2  01001 Autauga County, AL  01001  Autauga County, AL
3  01003 Baldwin County, AL  01003  Baldwin County, AL
4  01005 Barbour County, AL  01005  Barbour County, AL

Modificação, se necessário, remover a coluna original com DataFrame.pop

df[['a','b']] = df.pop('row').str.split(n=1, expand=True)
print (df)
       a                   b
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Como é o mesmo:

df[['a','b']] = df['row'].str.split(n=1, expand=True)
df = df.drop('row', axis=1)
print (df)

       a                   b
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Se receber erro:

#remove n=1 for split by all whitespaces
df[['a','b']] = df['row'].str.split(expand=True)

ValueError: as colunas devem ter o mesmo comprimento que a chave

Você pode verificar e retornar 4 colunas DataFrame, não apenas 2:

print (df['row'].str.split(expand=True))
       0        1        2     3
0  00000   UNITED   STATES  None
1  01000  ALABAMA     None  None
2  01001  Autauga  County,    AL
3  01003  Baldwin  County,    AL
4  01005  Barbour  County,    AL

Em seguida, a solução é anexada nova DataFramepor join:

df = pd.DataFrame({'row': ['00000 UNITED STATES', '01000 ALABAMA', 
                           '01001 Autauga County, AL', '01003 Baldwin County, AL', 
                           '01005 Barbour County, AL'],
                    'a':range(5)})
print (df)
   a                       row
0  0       00000 UNITED STATES
1  1             01000 ALABAMA
2  2  01001 Autauga County, AL
3  3  01003 Baldwin County, AL
4  4  01005 Barbour County, AL

df = df.join(df['row'].str.split(expand=True))
print (df)

   a                       row      0        1        2     3
0  0       00000 UNITED STATES  00000   UNITED   STATES  None
1  1             01000 ALABAMA  01000  ALABAMA     None  None
2  2  01001 Autauga County, AL  01001  Autauga  County,    AL
3  3  01003 Baldwin County, AL  01003  Baldwin  County,    AL
4  4  01005 Barbour County, AL  01005  Barbour  County,    AL

Com remover coluna original (se houver também outras colunas):

df = df.join(df.pop('row').str.split(expand=True))
print (df)
   a      0        1        2     3
0  0  00000   UNITED   STATES  None
1  1  01000  ALABAMA     None  None
2  2  01001  Autauga  County,    AL
3  3  01003  Baldwin  County,    AL
4  4  01005  Barbour  County,    AL   

Se você deseja dividir uma string em mais de duas colunas com base em um delimitador, pode omitir o parâmetro 'maximum splits'.
Você pode usar:

df['column_name'].str.split('/', expand=True)

Isso criará automaticamente tantas colunas quanto o número máximo de campos incluídos em qualquer uma das suas seqüências iniciais.

Surpreso, ainda não vi esse. Se você precisar apenas de duas divisões, eu recomendo. . .

Series.str.partition

partition realiza uma divisão no separador e geralmente tem um bom desempenho.

df['row'].str.partition(' ')[[0, 2]]

       0                   2
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Se você precisar renomear as linhas,

df['row'].str.partition(' ')[[0, 2]].rename({0: 'fips', 2: 'row'}, axis=1)

    fips                 row
0  00000       UNITED STATES
1  01000             ALABAMA
2  01001  Autauga County, AL
3  01003  Baldwin County, AL
4  01005  Barbour County, AL

Se você precisar associá-lo ao original, use joinou concat:

df.join(df['row'].str.partition(' ')[[0, 2]])

pd.concat([df, df['row'].str.partition(' ')[[0, 2]]], axis=1)

                        row      0                   2
0       00000 UNITED STATES  00000       UNITED STATES
1             01000 ALABAMA  01000             ALABAMA
2  01001 Autauga County, AL  01001  Autauga County, AL
3  01003 Baldwin County, AL  01003  Baldwin County, AL
4  01005 Barbour County, AL  01005  Barbour County, AL

Prefiro exportar a série correspondente dos pandas (ou seja, as colunas necessárias), usando a função aplicar para dividir o conteúdo da coluna em várias séries e depois associar as colunas geradas ao DataFrame existente. Obviamente, a coluna de origem deve ser removida.

por exemplo

 col1 = df["<col_name>"].apply(<function>)
 col2 = ...
 df = df.join(col1.to_frame(name="<name1>"))
 df = df.join(col2.toframe(name="<name2>"))
 df = df.drop(["<col_name>"], axis=1)

Para dividir duas palavras, a função de strings deve ser algo assim:

lambda x: x.split(" ")[0] # for the first element
lambda x: x.split(" ")[-1] # for the last element

Vi que ninguém havia usado o método das fatias, então aqui coloquei meus 2 centavos aqui.

df["<col_name>"].str.slice(stop=5)
df["<col_name>"].str.slice(start=6)

Este método criará duas novas colunas.

Use df.assignpara criar um novo df. Consulte http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

split = df_selected['name'].str.split(',', 1, expand=True)
df_split = df_selected.assign(first_name=split[0], last_name=split[1])
df_split.drop('name', 1, inplace=True)