如何使用split()方法从现有的字符串列创建新的Dataframe列？

使用split()方法从现有的字符串列创建新的Dataframe列的步骤如下：

导入所需的库和模块：

import pandas as pd

创建一个包含字符串的Dataframe：

df = pd.DataFrame({'string_column': ['apple,banana,orange', 'cat,dog', 'sun,moon,star']})

使用split()方法将字符串列拆分为新的列：

df['new_column'] = df['string_column'].str.split(',')

如果需要，可以使用expand参数将拆分的结果扩展为多个列：

df[['new_column1', 'new_column2', 'new_column3']] = df['string_column'].str.split(',', expand=True)

最后，可以查看新的Dataframe：

print(df)

这样就可以使用split()方法从现有的字符串列创建新的Dataframe列了。

推荐的腾讯云相关产品：腾讯云数据库TencentDB，产品介绍链接地址：https://cloud.tencent.com/product/cdb

相关·内容

你一定不能错过的pandas 1.0.0四大新特性

Pandas 中三个对列转换的小操作

现在我们想要将 name 列划分成两个列，其中一个列为 first_name，另外一个列为 last_name。比如：John Hunter，他的 first_name 为 John，last_name 为 Hunter。

Spark SQL DataFrame与RDD交互

Spark SQL 支持自动将 JavaBeans 的 RDD 转换为 DataFrame。使用反射获取的 BeanInfo 定义了表的 schema。目前为止，Spark SQL 还不支持包含 Map 字段的 JavaBean。但是支持嵌套的 JavaBeans，List 以及 Array 字段。你可以通过创建一个实现 Serializable 的类并为其所有字段设置 getter 和 setter 方法来创建一个 JavaBean。

Python数据分析模块 | pandas做数据分析(二):常用预处理操作

在数据分析和机器学习的一些任务里面,对于数据集的某些列或者行丢弃，以及数据集之间的合并操作是非常常见的. 1、合并操作 pandas.merge pandas.merge(left, right, how=’inner’, on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=(‘_x’, ‘_y’), copy=True, indicator=False) 作用:通过执

Pandas中的数据转换[细节]

Pandas中的axis参数=0时，永远表示的是处理方向而不是聚合方向，当axis='index'或=0时，对列迭代对行聚合，行即为跨列，axis=1同理 💥

Spark SQL实战(06)-RDD与DataFrame的互操作

这种基于反射的方法可使代码更简洁，在编写 Spark 应用程序时已知schema时效果很好

Pandas 2.2 中文官方教程和指南（六）

对于可能来自Stata的潜在用户，本页面旨在演示如何在 pandas 中执行不同的 Stata 操作。

Python自动化办公之Word批量转成自定义格式的Excel

python实现word转成自定义格式的excel文档（解决思路和代码）支持按照文件夹去批量处理，也可以单独一个文件进行处理，并且可以自定义标识符。

Python之数据规整化：清理、转换、合并、重塑

Python之数据规整化：清理、转换、合并、重塑 1. 合并数据集 pandas.merge可根据一个或者多个不同DataFrame中的行连接起来。 pandas.concat可以沿着一条轴将多个对象

RDD转为Dataset如何指定schema?

与RDD进行互操作 Spark SQL支持两种不同方法将现有RDD转换为Datasets。第一种方法使用反射来推断包含特定类型对象的RDD的schema。这种基于反射的方法会导致更简洁的代码，并且在编写Spark应用程序时已经知道schema的情况下工作良好。第二种创建Datasets的方法是通过编程接口，允许您构建schema，然后将其应用于现有的RDD。虽然此方法更详细，但它允许你在直到运行时才知道列及其类型的情况下去构件数据集。使用反射推断模式 Spark SQL的Scala接口支持自动将包含ca

读完本文，轻松玩转数据处理利器Pandas 1.0

常用数据科学库 Pandas 刚刚年满十二岁，现在已经发布到 1.0.0 版。首个 Pandas 1.0 候选版本显示出，现在的 Pandas 在遇到缺失值时会接收一个新的标量，遵循语义化版本控制（Semantic Versioning）形成了新的弃用策略，网站也经过了重新设计……

读完本文，轻松玩转数据处理利器Pandas 1.0

【Spark研究】用Apache Spark进行大数据处理第二部分：Spark SQL

在Apache Spark文章系列的前一篇文章中，我们学习了什么是Apache Spark框架，以及如何用该框架帮助组织处理大数据处理分析的需求。 Spark SQL，作为Apache Spark大数据框架的一部分，主要用于结构化数据处理和对Spark数据执行类SQL的查询。通过Spark SQL，可以针对不同格式的数据执行ETL操作（如JSON，Parquet，数据库）然后完成特定的查询操作。在这一文章系列的第二篇中，我们将讨论Spark SQL库，如何使用Spark SQL库对存储在批处理文件、JSO

010

Python 数据分析（PYDA）第三版（三）

读取数据并使其可访问（通常称为数据加载）是使用本书中大多数工具的必要第一步。术语解析有时也用于描述加载文本数据并将其解释为表格和不同数据类型。我将专注于使用 pandas 进行数据输入和输出，尽管其他库中有许多工具可帮助读取和写入各种格式的数据。

Pandas Query 方法深度总结

大多数 Pandas 用户都熟悉 iloc[] 和 loc[] 索引器方法，用于从 Pandas DataFrame 中检索行和列。但是随着检索数据的规则变得越来越复杂，这些方法也随之变得更加复杂而臃肿。

你可能不知道的pandas的5个基本技巧

多年来我一直在SQL中使用“between”函数，但直到最近才在pandas中发现它。

Pandas入门2

对于DataFrame，对齐会同时发生在行和列上，两个DataFrame对象相加后，其索引和列会取并集，缺省值用NaN。

Pandas使用技巧：如何将运行内存占用降低90%！

当使用 pandas 操作小规模数据（低于 100 MB）时，性能一般不是问题。而当面对更大规模的数据（100 MB 到数 GB）时，性能问题会让运行时间变得更漫长，而且会因为内存不足导致运行完全失败。

PySpark SQL——SQL和pd.DataFrame的结合体

昨日推文PySpark环境搭建和简介，今天开始介绍PySpark中的第一个重要组件SQL/DataFrame，实际上从名字便可看出这是关系型数据库SQL和pandas.DataFrame的结合体，功能也几乎恰是这样，所以如果具有良好的SQL基本功和熟练的pandas运用技巧，学习PySpark SQL会感到非常熟悉和舒适。

《利用Python进行数据分析·第2版》第7章数据清洗和准备7.1 处理缺失数据7.2 数据转换7.3 字符串操作7.4 总结

在数据分析和建模的过程中，相当多的时间要用在数据准备上：加载、清理、转换以及重塑。这些工作会占到分析师时间的80%或更多。有时，存储在文件和数据库中的数据的格式不适合某个特定的任务。许多研究者都选择使用通用编程语言（如Python、Perl、R或Java）或UNIX文本处理工具（如sed或awk）对数据格式进行专门处理。幸运的是，pandas和内置的Python标准库提供了一组高级的、灵活的、快速的工具，可以让你轻松地将数据规变为想要的格式。如果你发现了一种本书或pandas库中没有的数据操作方式，请尽管

Panda处理文本和时序数据？首选向量化

Pandas作为Python数据分析的首选框架，不仅功能强大接口丰富，而且执行效率也相比原生Python要快的多，这是得益于Pandas底层由C实现，同时其向量化执行方式也非常利于并行计算。更重要的是，这种向量化操作不仅适用于数值计算，对于文本和时间格式也有着良好的支持，而这就不得不从Pandas的属性接口谈起。

Panda处理文本和时序数据？首选向量化

Pandas 2.2 中文官方教程和指南（五）

对于来自SAS的潜在用户，本页面旨在演示如何在 pandas 中执行不同的 SAS 操作。

学习Python大数据处理模块Pandas

http://blog.csdn.net/jeapeducom/article/details/43670067

python数据科学系列：pandas入门详细教程

前2篇分别系统性介绍了numpy和matplotlib的入门基本知识，今天本文自然是要对pandas进行入门详细介绍，通过本文你将系统性了解pandas为何会有数据分析界"瑞士军刀"的盛誉。

pandas处理字符串方法汇总

字符串是一种常见的数据类型，我们遇到的文本、json数据等都是属于字符串的范畴。Python内置了很多处理字符串的方法，这些方法为我们处理和清洗数据提供了很大的便利。

将文本/字符串转换成数字，看pandas是如何清理数据的

本文研讨将字符串转换为数字的两个pandas内置方法，以及当这两种方法单独不起作用时，如何处理一些特殊情况。

干货：手把手教你用Python读写CSV、JSON、Excel及解析HTML

导读：本文要介绍的这些技法，会用Python读入各种格式的数据，并存入关系数据库或NoSQL数据库。

干货！直观地解释和可视化每个复杂的DataFrame操作

大多数数据科学家可能会赞扬Pandas进行数据准备的能力，但许多人可能无法利用所有这些能力。操作数据帧可能很快会成为一项复杂的任务，因此在Pandas中的八种技术中均提供了说明，可视化，代码和技巧来记住如何做。

Python数据处理从零开始----第二章（pandas）（十一）通过列属性对列进行筛选

该函数的主要格式是：DataFrame.select_dtypes（include = None，exclude = None），返回DataFrame列的子集。

教程 | 简单实用的pandas技巧：如何将内存占用降低90%

选自DATAQUEST 作者：Josh Devlin 机器之心编译参与：Panda pandas 是一个 Python 软件库，可用于数据操作和分析。数据科学博客 Dataquest.io 发布了一篇关于如何优化 pandas 内存占用的教程：仅需进行简单的数据类型转换，就能够将一个棒球比赛数据集的内存占用减少了近 90%，机器之心对本教程进行了编译介绍。当使用 pandas 操作小规模数据（低于 100 MB）时，性能一般不是问题。而当面对更大规模的数据（100 MB 到数 GB）时，性能问题会让运行

010

20个经典函数细说Pandas中的数据读取与存储

大家好，今天小编来为大家介绍几个Pandas读取数据以及保存数据的方法，毕竟我们很多时候需要读取各种形式的数据，以及将我们需要将所做的统计分析保存成特定的格式。

强烈推荐Pandas常用操作知识大全！

https://github.com/SeafyLiang/Python_study

pandas分组聚合转换

从上述的例子中不难看出，想要实现分组操作，必须明确三个要素：分组依据分组依据、数据来源数据来源、操作及其返回结果操作及其返回结果。同时从充分性的角度来说，如果明确了这三方面，就能确定一个分组操作，从而分组代码的一般模式：

Pandas 25 式

原文的数据集是 bit.ly 短网址的，我这里在读取时出问题，不稳定，就帮大家下载下来，统一放到了 data 目录里。

Python3快速入门（十四）——Pan

pandas.read_csv(filepath_or_buffer, na_values='NAN', parse_dates=['Last Update']) 从CSV文件中读取数据并创建一个DataFrame对象，na_vlaues用于设置缺失值形式，parse_dates用于将指定的列解析成时间日期格式。 dataframe.to_csv("xxx.csv", mode='a', header=False) 导出DataFrame数据到CSV文件。

Pandas 2.2 中文官方教程和指南（四）

由于许多潜在的 pandas 用户对 SQL 有一定的了解，本页旨在提供使用 pandas 执行各种 SQL 操作的一些示例。

Pandas中字符串处理

怎样提取201803这样的数字月份？ 1、先将日期2018-03-31替换成20180331的形式 2、提取月份字符串201803

yyds！1w 字的 pandas 核心操作知识大全。

工作中最近常用到pandas做数据处理和分析，特意总结了以下常用内容。 pandas常用速查引入依赖 # 导入模块 import pymysql import pandas as pd import numpy as np import time # 数据库 from sqlalchemy import create_engine # 可视化 import matplotlib.pyplot as plt # 如果你的设备是配备Retina屏幕的mac，可以在jupyter notebook中，使用下

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

如何使用split()方法从现有的字符串列创建新的Dataframe列？

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐