本文介绍如何在Pandas DataFrame中处理包含混合数据类型（如数字词和数值字符串）及多种分隔符的复杂列。通过结合正则表达式、`word2number`库进行文本到数字的转换，并利用Pandas的字符串操作与数据类型转换功能，实现将原始列高效拆分为多个标准数值列，解决`ValueError: No valid number words found!`等常见问题，提升数据清洗效率。
在数据分析和预处理过程中，我们经常会遇到数据格式不规范的情况，尤其是在从非结构化或半结构化源导入数据时。一个常见的挑战是，单个DataFrame列中可能包含多种类型的信息，例如文本描述的数字（"three hundred"）、数值字符串（"203.0"），并且这些信息可能由不同的分隔符（如;、,、_）连接。本教程将详细讲解如何使用Pandas结合word2number库和正则表达式，高效地将这类复杂列拆分成多个结构化的数值列。
场景描述与问题分析
假设我们有一个DataFrame，其中包含 cement_water 和 coarse_fine_aggregate 等列。这些列的特点是：
- cement_water 列: 包含文本形式的数字（如 "three hundred and two"）和数值字符串（如 "203.0"），两者之间由 ;、_ 等分隔符连接。
- coarse_fine_aggregate 列: 包含两个数值字符串，由 ;、, 等分隔符连接。
- 目标: 将这些列拆分为 cement、water、coarse_aggregate、fine_aggregate 等独立的浮点数类型列。
一个常见的错误尝试是先将所有分隔符替换为空格，然后尝试用 word2number 转换所有部分，这可能导致 ValueError: No valid number words found!，因为 word2number 期望输入的是纯粹的数字词，而不是包含数字词和数值字符串的混合文本。
本文档主要讲述的是用Apache Spark进行大数据处理——第一部分：入门介绍；Apache Spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。最初在2009年由加州大学伯克利分校的AMPLab开发，并于2010年成为Apache的开源项目之一。 在这个Apache Spark文章系列的第一部分中，我们将了解到什么是Spark，它与典型的MapReduce解决方案的比较以及它如何为大数据处理提供了一套完整的工具。希望本文档会给有需要的朋友带来帮助；感
原始数据示例:
cement_water coarse_fine_aggregate three hundred and two;203.0 974.0,817.0 one hundred and fifty-one;184.4 992.0;815.9 three hundred and sixty-two_164.9 944.7;755.8
期望输出格式:
cement water coarse_aggregate fine_aggregate 302.0 203.0 974.0 817.0 151.0 184.4 992.0 815.9
