• pandas第8章-文本数据


    一、str对象

    1. str对象的设计意图
    str 对象是定义在 Index 或 Series 上的属性,专门用于处理每个元素的文本内容,其内部定义了大量方法,因此对一个序列进行文本处理,首先需要获取其 str 对象。

    字母转为大写的操作:str.upper(字符串名) 或者字符串名.str.upper()

    #字母转为大写的操作:
    var = 'abcd'
    str.upper(var) # Python内置str模块  
    Out[4]: 'ABCD'
    
    s = pd.Series(['abcd', 'efg', 'hi'])
    
    s.str
    Out[6]: <pandas.core.strings.accessor.StringMethods at 0x1fe1643fbe0>
    
    s.str.upper() # pandas中str对象上的upper方法
    Out[7]: 
    0    ABCD
    1     EFG
    2      HI
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    2. []索引器
    索引,切片

    3. string类型
    原来所有的字符串类型都会以 object 类型的 Series 进行存储,但 object 类型只应当存储混合类型,例如同时存储浮点、字符串、字典、列表、自定义类型等,因此字符串有必要同数值型或 category 一样,具有自己的数据存储类型,从而引入了 string 类型。

    二、正则表达式基础

    1. 一般字符的匹配
    从左到右匹配字符串中内容的一种工具。

    #在下面的字符串中找出 apple
    import re
    
    re.findall(r'Apple', 'Apple! This Is an Apple!')
    Out[29]: ['Apple', 'Apple']
    
    • 1
    • 2
    • 3
    • 4
    • 5

    2.元字符基础
    在这里插入图片描述
    在这里插入图片描述

    re.findall(r'.', 'abc')
    Out[30]: ['a', 'b', 'c']
    
    re.findall(r'[ac]', 'abc')
    Out[31]: ['a', 'c']
    
    re.findall(r'[^ac]', 'abc')
    Out[32]: ['b']
    
    re.findall(r'[ab]{2}', 'aaaabbbb') # {n}指匹配n次
    Out[33]: ['aa', 'aa', 'bb', 'bb']
    
    re.findall(r'aaa|bbb', 'aaaabbbb')
    Out[34]: ['aaa', 'bbb']
    
    re.findall(r'a\\?|a\*', 'aa?a*a')
    Out[35]: ['a', 'a', 'a', 'a']
    
    re.findall(r'a?.', 'abaacadaae')
    Out[36]: ['ab', 'aa', 'c', 'ad', 'aa', 'e']
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20

    3. 简写字符集
    在这里插入图片描述

    re.findall(r'.s', 'Apple! This Is an Apple!')
    Out[37]: ['is', 'Is']
    
    re.findall(r'\w{2}', '09 8? 7w c_ 9q p@')
    Out[38]: ['09', '7w', 'c_', '9q']
    
    re.findall(r'\w\W\B', '09 8? 7w c_ 9q p@')
    Out[39]: ['8?', 'p@']
    
    re.findall(r'.\s.', 'Constant dropping wears the stone.')
    Out[40]: ['t d', 'g w', 's t', 'e s']
    
    re.findall(r'上海市(.{2,3}区)(.{2,3}路)(\d+号)',
               '上海市黄浦区方浜中路249号 上海市宝山区密山路5号')
    
    Out[41]: [('黄浦区', '方浜中路', '249号'), ('宝山区', '密山路', '5号')]
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16

    三、文本处理的五类操作

    1. 拆分
    str.split 能够把字符串的列进行拆分,其中第一个参数为正则表达式,可选参数包括从左到右的最大拆分次数 n ,是否展开为多个列 expand 。
    s.str.split(‘正则表达式’, n=)

    s = pd.Series(['上海市黄浦区方浜中路249号',
                '上海市宝山区密山路5号'])
    
    
    s.str.split('[市区路]')  #[市区路]是正则表达式
    Out[43]: 
    0    [上海, 黄浦, 方浜中, 249]
    1       [上海, 宝山, 密山, 5]
    dtype: object
    
    s.str.split('[市区路]', n=2, expand=True)
    Out[44]: 
        0   1         2
    0  上海  黄浦  方浜中路2491  上海  宝山     密山路5
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15

    与其类似的函数是 str.rsplit ,其区别在于使用 n 参数的时候是从右到左限制最大拆分次数。

    2. 合并
    两个函数,分别是 str.join 和 str.cat 。

    str.join 表示用某个连接符把 Series 中的字符串列表连接起来,如果列表中出现了非字符串元素则返回缺失值

    s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
    
    s.str.join('-')
    Out[47]: 
    0    a-b
    1    NaN
    2    NaN
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    str.cat 用于合并两个序列,主要参数为连接符 sep 、连接形式 join 以及缺失值替代符号 na_rep ,其中连接形式默认为以索引为键的左连接。

    s1 = pd.Series(['a','b'])
    
    s2 = pd.Series(['cat','dog'])
    
    s1.str.cat(s2,sep='-')
    Out[50]: 
    0    a-cat
    1    b-dog
    dtype: object
    
    s2.index = [1, 2]  #更改s2的索引序号
    
    s1.str.cat(s2, sep='-', na_rep='?', join='outer')
    Out[52]: 
    0      a-?
    1    b-cat
    2    ?-dog
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18

    3. 匹配
    str.contains 返回了每个字符串是否包含正则模式的布尔序列:

    s = pd.Series(['my cat', 'he is fat', 'railway station'])
    
    s.str.contains('\s\wat')
    Out[54]: 
    0     True
    1     True
    2    False
    dtype: bool
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    str.startswith 和 str.endswith 返回了每个字符串以给定模式为开始和结束的布尔序列,它们都不支持正则表达式:

    s.str.startswith('my')
    Out[55]: 
    0     True
    1    False
    2    False
    dtype: bool
    
    s.str.endswith('t')
    Out[56]: 
    0     True
    1     True
    2    False
    dtype: bool
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    如果需要用正则表达式来检测开始或结束字符串的模式,可以使用 str.match ,其返回了每个字符串起始处是否符合给定正则模式的布尔序列:

    s.str.match('m|h')
    Out[57]: 
    0     True
    1     True
    2    False
    dtype: bool
    
    s.str[::-1].str.match('ta[f|g]|n') # 反转后匹配
    Out[58]: 
    0    False
    1     True
    2     True
    dtype: bool
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    还有一种返回索引的匹配函数,即 str.find 与 str.rfind ,其分别返回从左到右和从右到左第一次匹配的位置的索引,未找到则返回-1。需要注意的是这两个函数不支持正则匹配,只能用于字符子串的匹配:

    s = pd.Series(['This is an apple. That is not an apple.'])
    
    s.str.find('apple')
    Out[62]: 
    0    11
    dtype: int64
    
    s.str.rfind('apple')
    Out[63]: 
    0    33
    dtype: int64
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    4. 替换
    str.replace

    5. 提取
    用 str.extract 进行提取

    四、常用字符串函数

    1. 字母型函数
    upper, lower, title, capitalize, swapcase 这五个函数主要用于字母的大小写转化

    s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])
    
    s.str.upper()
    Out[87]: 
    0                 LOWER
    1              CAPITALS
    2    THIS IS A SENTENCE
    3              SWAPCASE
    dtype: object
    
    s.str.lower()
    Out[88]: 
    0                 lower
    1              capitals
    2    this is a sentence
    3              swapcase
    dtype: object
    
    s.str.title()
    Out[89]: 
    0                 Lower
    1              Capitals
    2    This Is A Sentence
    3              Swapcase
    dtype: object
    
    s.str.capitalize()
    Out[90]: 
    0                 Lower
    1              Capitals
    2    This is a sentence
    3              Swapcase
    dtype: object
    
    s.str.swapcase()
    Out[91]: 
    0                 LOWER
    1              capitals
    2    THIS IS A SENTENCE
    3              sWaPcAsE
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41

    2. 数值型函数
    pd.to_numeric函数,其主要参数包括 errors 和 downcast 分别代表了非数值的处理模式和转换类型。对于不能转换为数值的有三种 errors 选项, raise, coerce, ignore 分别表示直接报错、设为缺失以及保持原来的字符串。

    s = pd.Series(['1', '2.2', '2e', '??', '-2.1', '0'])
    
    pd.to_numeric(s, errors='ignore')
    Out[93]: 
    0       1
    1     2.2
    2      2e
    3      ??
    4    -2.1
    5       0
    dtype: object
    
    pd.to_numeric(s, errors='coerce')
    Out[94]: 
    0    1.0
    1    2.2
    2    NaN
    3    NaN
    4   -2.1
    5    0.0
    dtype: float64
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21

    3. 统计型函数
    count 和 len 的作用分别是返回出现正则模式的次数和字符串的长度

    4. 格式型函数
    格式型函数主要分为两类,第一种是除空型,第二种是填充型。
    除空型函数一共有三种,它们分别是 strip, rstrip, lstrip ,分别代表去除两侧空格、右侧空格和左侧空格。
    对于填充型函数而言, pad 是最灵活的,它可以选定字符串长度、填充的方向和填充内容:
    s.str.pad(n,‘left/right/both’,‘填充的符合’) 左/右/两边 填充,以达到n长的字符串长度。

    s = pd.Series(['a','b','c'])
    
    s.str.pad(5,'left','*')
    Out[104]: 
    0    ****a
    1    ****b
    2    ****c
    dtype: object
    
    s.str.pad(5,'right','*')
    Out[105]: 
    0    a****
    1    b****
    2    c****
    dtype: object
    
    s.str.pad(5,'both','*')
    Out[106]: 
    0    **a**
    1    **b**
    2    **c**
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    上述的三种情况可以分别用 rjust, ljust, center 来等效完成,需要注意 ljust 是指右侧填充而不是左侧填充:

    s.str.rjust(5, '*')
    Out[107]: 
    0    ****a
    1    ****b
    2    ****c
    dtype: object
    
    s.str.ljust(5, '*')
    Out[108]: 
    0    a****
    1    b****
    2    c****
    dtype: object
    
    s.str.center(5, '*')
    Out[109]: 
    0    **a**
    1    **b**
    2    **c**
    dtype: object
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20

    zfill()–在数字前补0

    s = pd.Series([7, 155, 303000]).astype('string')
    
    s.str.pad(6,'left','0')
    Out[111]: 
    0    000007
    1    000155
    2    303000
    dtype: string
    
    s.str.rjust(6,'0')
    Out[112]: 
    0    000007
    1    000155
    2    303000
    dtype: string
    
    s.str.zfill(6)
    Out[113]: 
    0    000007
    1    000155
    2    303000
    dtype: string
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
  • 相关阅读:
    计算机视觉40例之案例03数字水印
    用NetworkX生成并绘制(带权)无向图
    架构师成神之路总结,你值得拥有,走起
    信息系统项目管理师论文
    L18.linux命令每日一练 -- 第三章 文件过滤及内容编辑处理命令 -- head和tail命令
    不要在Python中使用iterrows()循环
    【Auth Proxy】为你的 Web 服务上把锁
    JVM垃圾回收算法
    java面试强基(10)
    HarmonyOS NEXT应用开发—状态栏显隐变化
  • 原文地址:https://blog.csdn.net/Sun123234/article/details/126456702