### 使用 Pandas 进行字段截取并创建新字段 在数据处理过程中，经常需要根据现有字段的内容来提取特定部分的信息，并将其作为新的字段保存到 DataFrame 中。下面展示如何利用 `slice` 函数配合其他操作实现这一目标。 #### 利用 slice 函数进行字符串切片 对于包含固定长度模式的数据列（比如电话号码），可以定义一个基于起始索引和终止索引的范围来进行切割： ```python import pandas as pd # 假设有一个包含手机号码的DataFrame df = pd.DataFrame({'phone': ['13800138000', '13912345678']}) def extract_operator(phone_number): """模拟从手机号中获取运营商前缀""" return phone_number[:3] # 应用自定义函数生成新列 df['operator_prefix'] = df['phone'].apply(extract_operator) print(df) ``` 上述代码片段展示了如何通过编写简单的辅助函数 `extract_operator()` 来完成对每一行记录的操作，并最终形成一个新的名为 `'operator_prefix'` 的 Series 对象[^1]。 #### 将截取后的信息添加至原始 DataFrame 一旦完成了所需的新字段计算工作，则可以直接将这些结果赋值给原 DataFrame 的相应属性名下，从而实现在同一个表格内增加额外维度的效果: ```python # 继续上面的例子，在这里我们假设还需要进一步分割出区号和地区编号 def split_area_code(phone_number): """简单地返回中间四位数作为示例区域编码""" return phone_number[3:7] df['area_code'] = df['phone'].apply(split_area_code) # 输出更新后的整个表单视图 print(df[['phone', 'operator_prefix', 'area_code']]) ``` 此段脚本说明了怎样把经过变换得到的结果集重新挂载回到原来的 DataFrame 结构里去[^2]。 #### 处理更复杂的情况——多步转换流程集成 当面对更加复杂的业务逻辑需求时，可能涉及到多个连续性的加工环节；此时可以通过链式调用来简化表达方式，提高可读性和维护效率： ```python from functools import partial def process_phone_numbers(dataframe, col_name='phone'): # 定义局部使用的匿名函数用于参数化配置 get_opr = lambda p: p[:3] get_areacode = lambda p: p[3:7] dataframe[f'{col_name}_opr'] = dataframe[col_name].map(get_opr) dataframe[f'{col_name}_areacode'] = dataframe[col_name].map(get_areacode) return dataframe processed_df = process_phone_numbers(pd.read_csv('phones.csv')) print(processed_df.head()) ``` 这段程序不仅实现了之前提到的功能，还引入了一个通用化的接口设计思路，使得相同类型的任务可以在不同上下文中被灵活运用。