python处理文本数据

处理文本数据，主要是通过Seris的str访问。遇到NaN时不做任何处理，保留结果为NaN，遇到数字全部处理为NaN。

str是Seris的方法，DataFrame不能直接使用，但是通过索引选择DataFrame中的某一行或者某一列，结果为Seris，然后就可以使用了。

 

例如定义一个Seris和DataFrame如下

s = pd.Series([' ab',1,' bb ',np.nan,'bc '])
dic = {'one':[0,2,2,4],'two':[2,np.nan,4,6],'three':['a','b',np.nan,2]}
df = pd.DataFrame(dic,index=['d','e','f','g'])

将上述s全部变成大写字母，将df的列名称变成大写。

s = s.str.upper()
df.columns = df.columns.str.upper()

 

以下都以Seris做示例，这些方法与python字符串的操作类似

print(s.str.lower())   #将s中的各字符串全部变为小写
print(s.str.upper())   #将s中的各字符串全部变为大写
print(s.str.capitalize())   #将s中的各字符串全部变为首字母大写
print(s.str.len())    #求s中各字符串的长度
print(s.str.count('b'))   #求s中的各字符串元素包含几个b
print(s.str.startswith('a'))   #判断s中的各字符串是否以a开始
print(s.str.endswith('a'))   #判断s中的各字符串是否以a结束
print(s.str.contains('b'))  #判断s中的各字符串是否包含b
print(s.str.strip())   #去掉s中字符串元素两边的空格
print(s.str.lstrip())   #去掉s中字符串元素左边的空格
print(s.str.rstrip())   #去掉s中字符串元素右边的空格
print(s.str.replace('原字符','替换字符',1))  #将原字符串替换为指定字符串，默认替换所有满足条件的，n表示替换前n个满足条件的

 

split()和rsplit()

split()表示从左边开始分割，rsplit()表示从右边分割，分割后的结构为一个列表

s = pd.Series(['a,b,c,d',np.nan,['a..c'],'1,2,3'])
print(s.str.split(','))   #对Seris中的元素按照,分割，即对'a,b,c'、np.nan、['a..c']、'1,2,3'按照,分割
print(s.str.split(',').str[0])   #获取每个元素分割后的第一个值，分割后的结果也为Seris，也需要通过str来获取每个元素
print(s.str.split(',',expand=True,n=1))  #expand为True表示将原列按照分割符拆分为㢵列，n表示拆分次数，默认不拆分，如果拆分默认拆分最多次
# 0    [a, b, c, d]
# 1             NaN
# 2             NaN
# 3       [1, 2, 3]
# dtype: object
# 0      a
# 1    NaN
# 2    NaN
# 3      1
# dtype: object
#      0      1
# 0    a  b,c,d
# 1  NaN    NaN
# 2  NaN    NaN
# 3    1    2,3