Pandas系列（四）-文本數據處理

時間  2019-12-04
標籤 pandas 系列 文本 數據處理 欄目 大數據 简体版
原文   原文鏈接

內容目錄python

  • 1. 爲何要用str屬性
  • 2. 替換和分割
  • 3. 提取子串
    • 3.1 提取第一個匹配的子串
    • 3.2 匹配全部子串
    • 3.3 測試是否包含子串
    • 3.4 生成啞變量
    • 3.5 方法摘要

　1、爲何要用str屬性?

# 導入相關庫
import numpy as np
import pandas as pd

index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name")
data = {
    "age": [18, 30, np.nan, 40, np.nan, 30],
    "city": ["Bei Jing ", "Shang Hai ", "Guang Zhou", "Shen Zhen", np.nan, " "],
    "sex": [None, "male", "female", "male", np.nan, "unknown"],
    "birth": ["2000-02-10", "1988-10-17", None, "1978-08-08", np.nan, "1988-10-17"]
}
user_info = pd.DataFrame(data=data, index=index)
# 將出生日期轉爲時間戳
user_info["birth"] = pd.to_datetime(user_info.birth)
user_info
Out[203]: 
        age        city      sex      birth
name                                       
Tom    18.0   Bei Jing      None 2000-02-10
Bob    30.0  Shang Hai      male 1988-10-17
Mary    NaN  Guang Zhou   female        NaT
James  40.0   Shen Zhen     male 1978-08-08
Andy    NaN         NaN      NaN        NaT
Alice  30.0              unknown 1988-10-17　　

　　在以前已經瞭解過，在對 Series 中每一個元素處理時，咱們可使用 map 或 apply 方法。好比，我想要將每一個城市都轉爲小寫，可使用以下的方式。git

In [3]: user_info.city.map(lambda x:x.lower())#報錯
-------------------------------------------------------------------------
AttributeError                            Traceback (most recent call las
<ipython-input-3-d3c01aca317c> in <module>()
----> 1 user_info.city.map(lambda x:x.lower())#報錯

d:\pytho3.6\lib\site-packages\pandas\core\series.py in map(self, arg, na_

   2996         """
   2997         new_values = super(Series, self)._map_values(
-> 2998             arg, na_action=na_action)
   2999         return self._constructor(new_values,
   3000                                  index=self.index).__finalize__(s

d:\pytho3.6\lib\site-packages\pandas\core\base.py in _map_values(self, ma
a_action)
   1002
   1003         # mapper is a function
-> 1004         new_values = map_f(values, mapper)
   1005
   1006         return new_values

pandas/_libs/src\inference.pyx in pandas._libs.lib.map_infer()

<ipython-input-3-d3c01aca317c> in <lambda>(x)
----> 1 user_info.city.map(lambda x:x.lower())#報錯

AttributeError: 'float' object has no attribute 'lower'

In [4]: user_info.city.str.lower()
Out[4]:
name
Tom       bei jing
Bob      shang hai
Mary     guang zhou
James     shen zhen
Andy            NaN
Alice
Name: city, dtype: object

In [5]: user_info.city.str.len()#字符串能用len,series,dataframe用size
Out[5]:
name
Tom       9.0
Bob      10.0
Mary     10.0
James     9.0
Andy      NaN
Alice     1.0
Name: city, dtype: float64

2、替換和分割

使用 .srt 屬性也支持替換與分割操做。
先來看下替換操做，例如：將空字符串替換成下劃線。
replace 方法還支持正則表達式，例如將全部開頭爲 S 的城市替換爲空字符串。
再來看下分割操做，例如根據空字符串來分割某一列。
分割列表中的元素可使用 get 或 [] 符號進行訪問：
設置參數 expand=True 能夠輕鬆擴展此項以返回 DataFrame。正則表達式

user_info.city.str.replace(' ','_')
user_info.city.str.replace('^S.*','')
user_info.city.str.split(" ")
user_info.city.str.split(" ").str.get(0)
user_info.city.str.split(" ").str[1]
user_info.city.str.split(" ", expand=True)

3、提取子串

　　既然是在操做字符串，很天然，你可能會想到是否能夠從一個長的字符串中提取出子串。答案是能夠的。api

  • 3.1 提取第一個匹配的子串

　　extract 方法接受一個正則表達式並至少包含一個捕獲組，指定參數 expand=True 能夠保證每次都返回 DataFrame。
　　例如，如今想要匹配空字符串前面的全部的字母，可使用以下操做：若是使用多個組提取正則表達式會返回一個 DataFrame，每一個組只有一列。數組

In [6]: user_info.city.str.extract("(\w+)\s+", expand=True)
Out[6]:
           0
name
Tom      Bei
Bob    Shang
Mary   Guang
James   Shen
Andy     NaN
Alice    NaN

　　例如，想要匹配出空字符串前面和後面的全部字母，操做以下app

In [7]: user_info.city.str.extract("(\w+)\s+(\w+)", expand=True)
Out[7]:
           0     1
name
Tom      Bei  Jing
Bob    Shang   Hai
Mary   Guang  Zhou
James   Shen  Zhen
Andy     NaN   NaN
Alice    NaN   NaN
  • 3.2 匹配全部子串

　　extract 只可以匹配出第一個子串，使用 extractall 能夠匹配出全部的子串。
　　例如，將全部組的空白字符串前面的字母都匹配出來，能夠以下操做。測試

In [8]: user_info.city.str.extractall("(\w+)\s+")
Out[8]:
                 0
name  match
Tom   0        Bei
      1       Jing
Bob   0      Shang
      1        Hai
Mary  0      Guang
James 0       Shen
  • 3.3 測試是否包含子串

除了能夠匹配出子串外，咱們還可使用 contains 來測試是否包含子串。例如，想要測試城市是否包含子串 「Zh」。spa

In [9]: user_info.city.str.contains("Zh")
Out[9]:
name
Tom      False
Bob      False
Mary      True
James     True
Andy       NaN
Alice    False
Name: city, dtype: object
In [10]: user_info.city.str.contains("^S")
Out[10]:
name
Tom      False
Bob       True
Mary     False
James     True
Andy       NaN
Alice    False
Name: city, dtype: object
  • 3.4 生成啞變量

這是一個神奇的功能，經過 get_dummies 方法能夠將字符串轉爲啞變量，sep 參數是指定啞變量之間的分隔符。來看看效果吧。code

In [11]: user_info.city.str.get_dummies(sep=" ")
Out[11]:
       Bei  Guang  Hai  Jing  Shang  Shen  Zhen  Zhou
name
Tom      1      0    0     1      0     0     0     0
Bob      0      0    1     0      1     0     0     0
Mary     0      1    0     0      0     0     0     1
James    0      0    0     0      0     1     1     0
Andy     0      0    0     0      0     0     0     0
Alice    0      0    0     0      0     0     0     0
  • 3.5 方法摘要　　
這裏列出了一些經常使用的方法摘要。

方法	描述
cat()	鏈接字符串
split()	在分隔符上分割字符串
rsplit()	從字符串末尾開始分隔字符串
get()	索引到每一個元素（檢索第i個元素）
join()	使用分隔符在系列的每一個元素中加入字符串
get_dummies()	在分隔符上分割字符串，返回虛擬變量的DataFrame
contains()	若是每一個字符串都包含pattern / regex，則返回布爾數組
replace()	用其餘字符串替換pattern / regex的出現
repeat()	重複值（s.str.repeat(3)等同於x * 3 t2 >）
pad()	將空格添加到字符串的左側，右側或兩側
center()	至關於str.center
ljust()	至關於str.ljust
rjust()	至關於str.rjust
zfill()	等同於str.zfill
wrap()	將長長的字符串拆分爲長度小於給定寬度的行
slice()	切分Series中的每一個字符串
slice_replace()	用傳遞的值替換每一個字符串中的切片
count()	計數模式的發生
startswith()	至關於每一個元素的str.startswith(pat)
endswith()	至關於每一個元素的str.endswith(pat)
findall()	計算每一個字符串的全部模式/正則表達式的列表
match()	在每一個元素上調用re.match，返回匹配的組做爲列表
extract()	在每一個元素上調用re.search，爲每一個元素返回一行DataFrame，爲每一個正則表達式捕獲組返回一列
extractall()	在每一個元素上調用re.findall，爲每一個匹配返回一行DataFrame，爲每一個正則表達式捕獲組返回一列
len()	計算字符串長度
strip()	至關於str.strip
rstrip()	至關於str.rstrip
lstrip()	至關於str.lstrip
partition()	等同於str.partition
rpartition()	等同於str.rpartition
lower()	至關於str.lower
upper()	至關於str.upper
find()	至關於str.find
rfind()	至關於str.rfind
index()	至關於str.index
rindex()	至關於str.rindex
capitalize()	至關於str.capitalize
swapcase()	至關於str.swapcase
normalize()	返回Unicode標準格式。至關於unicodedata.normalize
translate()	等同於str.translate
isalnum()	等同於str.isalnum
isalpha()	等同於str.isalpha
isdigit()	至關於str.isdigit
isspace()	等同於str.isspace
islower()	至關於str.islower
isupper()	至關於str.isupper
istitle()	至關於str.istitle
isnumeric()	至關於str.isnumeric
isdecimal()	至關於str.isdecimal
相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程