Pandas系列（四）-文本数据处理
内容目录
- 1. 为什么要用str属性
- 2. 替换和分割
- 3. 提取子串
- 3.1 提取第一个匹配的子串
- 3.2 匹配所有子串
- 3.3 测试是否包含子串
- 3.4 生成哑变量
- 3.5 方法摘要
一、为什么要用str属性?
# 导入相关库
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)
# 将出生日期转为时间戳
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
在之前已经了解过，在对 Series 中每个元素处理时，我们可以使用 map 或 apply 方法。比如，我想要将每个城市都转为小写，可以使用如下的方式。
In [3]: user_info.city.map(lambda x:x.lower())#报错 ------------------------------------------------------------------------- AttributeError Traceback (most recent call las <ipython-input-3-d3c01aca317c> in <module>() ----> 1 user_info.city.map(lambda x:x.lower())#报错 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())#报错 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
二、替换和分割
使用 .srt 属性也支持替换与分割操作。
先来看下替换操作，例如：将空字符串替换成下划线。
replace 方法还支持正则表达式，例如将所有开头为 S 的城市替换为空字符串。
再来看下分割操作，例如根据空字符串来分割某一列。
分割列表中的元素可以使用 get 或 [] 符号进行访问：
设置参数 expand=True 可以轻松扩展此项以返回 DataFrame。
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)
三、提取子串
既然是在操作字符串，很自然，你可能会想到是否可以从一个长的字符串中提取出子串。答案是可以的。
- 3.1 提取第一个匹配的子串
extract 方法接受一个正则表达式并至少包含一个捕获组，指定参数 expand=True 可以保证每次都返回 DataFrame。
例如，现在想要匹配空字符串前面的所有的字母，可以使用如下操作：如果使用多个组提取正则表达式会返回一个 DataFrame，每个组只有一列。
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后面的所有字母，操作如下
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 匹配所有子串
extract 只能够匹配出第一个子串，使用 extractall 可以匹配出所有的子串。
例如，将所有组的空白字符串前面的字母都匹配出来，可以如下操作。
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 测试是否包含子串
除了可以匹配出子串外，我们还可以使用 contains 来测试是否包含子串。例如，想要测试城市是否包含子串 “Zh”。
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 生成哑变量
这是一个神奇的功能，通过 get_dummies 方法可以将字符串转为哑变量，sep 参数是指定哑变量之间的分隔符。来看看效果吧。
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
这里列出了一些常用的方法摘要。 方法 描述 cat() 连接字符串 split() 在分隔符上分割字符串 rsplit() 从字符串末尾开始分隔字符串 get() 索引到每个元素（检索第i个元素） join() 使用分隔符在系列的每个元素中加入字符串 get_dummies() 在分隔符上分割字符串，返回虚拟变量的DataFrame contains() 如果每个字符串都包含pattern / regex，则返回布尔数组 replace() 用其他字符串替换pattern / regex的出现 repeat() 重复值（s.str.repeat(3)等同于x * 3 t2 >） pad() 将空格添加到字符串的左侧，右侧或两侧 center() 相当于str.center ljust() 相当于str.ljust rjust() 相当于str.rjust zfill() 等同于str.zfill wrap() 将长长的字符串拆分为长度小于给定宽度的行 slice() 切分Series中的每个字符串 slice_replace() 用传递的值替换每个字符串中的切片 count() 计数模式的发生 startswith() 相当于每个元素的str.startswith(pat) endswith() 相当于每个元素的str.endswith(pat) findall() 计算每个字符串的所有模式/正则表达式的列表 match() 在每个元素上调用re.match，返回匹配的组作为列表 extract() 在每个元素上调用re.search，为每个元素返回一行DataFrame，为每个正则表达式捕获组返回一列 extractall() 在每个元素上调用re.findall，为每个匹配返回一行DataFrame，为每个正则表达式捕获组返回一列 len() 计算字符串长度 strip() 相当于str.strip rstrip() 相当于str.rstrip lstrip() 相当于str.lstrip partition() 等同于str.partition rpartition() 等同于str.rpartition lower() 相当于str.lower upper() 相当于str.upper find() 相当于str.find rfind() 相当于str.rfind index() 相当于str.index rindex() 相当于str.rindex capitalize() 相当于str.capitalize swapcase() 相当于str.swapcase normalize() 返回Unicode标准格式。相当于unicodedata.normalize translate() 等同于str.translate isalnum() 等同于str.isalnum isalpha() 等同于str.isalpha isdigit() 相当于str.isdigit isspace() 等同于str.isspace islower() 相当于str.islower isupper() 相当于str.isupper istitle() 相当于str.istitle isnumeric() 相当于str.isnumeric isdecimal() 相当于str.isdecimal
