大家好，我是东哥。
继续更新pandas数据清洗，历史文章：
感兴趣可以关注这个话题pandas数据清洗，第一时间看到更新。
所有数据和代码可在我的GitHub获取：
本次来介绍关于文本处理的常用方法。
文本的主要两个类型是string和object。如果不特殊指定类型为string，文本类型一般为object。
文本的操作主要是通过访问器str 来实现的，功能十分强大，但使用前需要注意以下几点。
- 访问器只能对
Series数据结构使用。 除了常规列变量df.col以外，也可以对索引类型df.Index和df.columns使用 - 确保访问的对象类型是字符串
str类型。 如果不是需要先astype(str)转换类型，否则会报错 - 访问器可以多个连接使用。 如
df.col.str.lower().str.upper()，这个和Dataframe中的一行操作是一个原理
下面正式介绍文本的各种骚操作，基本可以涵盖日常95%的数据清洗需要了，一共 8 个场景。
以下操作均基于下面的数据：
import pandas as pd import numpy as np df = pd.DataFrame({'name':['jordon', 'MIKE', 'Kelvin', 'xiaoLi', 'qiqi','Amei'], 'Age':[18, 30, 45, 23, 45, 62], 'level':['high','Low','M','L','middle',np.nan], 'Email':['jordon@sohu.com','Mike@126.cn','KelvinChai@gmail.com','xiaoli@163.com',np.nan,'amei@qq.com']}) -------------------------------------------- name Age level Email 0 jordon 18 high jordon@sohu.com 1 MIKE 30 Low Mike@126.cn 2 Kelvin 45 M KelvinChai@gmail.com 3 xiaoLi 23 L xiaoli@163.com 4 qiqi 45 middle NaN 5 Amei 62 NaN amei@qq.com
1、文本格式
大小写变换
# 字符全部变成小写 s.str.lower() # 字符全部大写 s.str.upper() # 每个单词首字母大写 s.str.title() # 字符串第一个字母大写 s.str.capitalize() # 大小写字母转换 s.str.swapcase()
上面用法都比较简单，不逐一举例，这里举一个对columns变成小写的例子。
df.columns.str.lower() -------------------------------------------------------- Index(['name', 'age', 'level', 'email'], dtype='object')
格式判断
下面均为判断操作，因此返回布尔值。
s.str.isalpha # 是否为字母 s.str.isnumeric # 是否为数字0-9 s.str.isalnum # 是否由字母和数字组成 s.str.isupper # 是否为大写 s.str.islower # 是否为小写 s.str.isdigit # 是否为数字
对齐
# 居中对齐，宽度为8，其余用’*’填充 s.str.center(, fillchar='*') # 左对齐，宽度为8，其余用’*’填充 s.str.ljust(8, fillchar='*') # 右对齐，宽度为8，其余用’*’填充 s.str.rjust(8, fillchar='*') # 自定义对齐方式，参数可调整宽度、对齐方向、填充字符 s.str.pad(width=8, side='both',fillchar='*')
# 举例 df.name.str.center(8, fillchar='*') ------------- 0 *jordon* 1 **MIKE** 2 *Kelvin* 3 *xiaoLi* 4 **qiqi** 5 **Amei**
计数和编码
s.str.count('b') # 字符串种包括指定字母的数量 s.str.len() # 字符串长度 s.str.encode('utf-8') # 字符编码 s.str.decode('utf-8') # 字符解码
2、文本拆分
通过使用split方法可以某个指定的字符作为分割点拆分文本。其中，expand参数可以让拆分的内容展开，形成单独的列，n参数可以指定拆分的位置来控制形成几列。
下面将email变量按照@进行拆分。
# 使用方法 s.str.split('x', expand=True, n=1) # 举例 df.Email.str.split('@') ---------------------------- 0 [jordon, sohu.com] 1 [Mike, 126.cn] 2 [KelvinChai, gmail.com] 3 [xiaoli, 163.com] 4 NaN 5 [amei, qq.com]
# expand可以让拆分的内容扩展成单独一列 df.Email.str.split('@' ,expand=True) ---------------------------- 0 1 0 jordon sohu.com 1 Mike 126.cn 2 KelvinChai gmail.com 3 xiaoli 163.com 4 NaN NaN 5 amei qq.com
更复杂的拆分可以借助正则表达式，比如想同时通过@和.进行拆分，那么可以这样实现。
df.Email.str.split('\@|\.',expand=True) ---------------------------- 0 1 2 0 jordon sohu com 1 Mike 126 cn 2 KelvinChai gmail com 3 xiaoli 163 com 4 NaN NaN NaN 5 amei qq com
3、文本替换
文本替换有几种方法：replace，slice_replace，repeat
replace替换
replace方法是最常用的替换方法，参数如下：
pal：为被替代的内容字符串，也可以为正则表达式repl：为新内容字符串，也可以是一个被调用的函数regex：用于设置是否支持正则，默认是True
# 将email种的com都替换为cn df.Email.str.replace('com','cn') ------------------------ 0 jordon@sohu.cn 1 Mike@126.cn 2 KelvinChai@gmail.cn 3 xiaoli@163.cn 4 NaN 5 amei@qq.cn
更复杂一点的，比如将旧内容写成正则表达式。
#将@之前的名字都替换成xxx df.Email.str.replace('(.*?)@','xxx@') ------------------ 0 xxx@sohu.com 1 xxx@126.cn 2 xxx@gmail.com 3 xxx@163.com 4 NaN 5 xxx@qq.com
或者将新内容写成被调用的函数。
df.Email.str.replace('(.*?)@', lambda x:x.group().upper()) ------------------------- 0 JORDON@sohu.com 1 MIKE@126.cn 2 KELVINCHAI@gmail.com 3 XIAOLI@163.com 4 NaN 5 AMEI@qq.com
切片替换
slice_replace通过切片的方式实现替换，通过切片可以保留或者删除指定的字符，参数如下。
start：起始位置stop：结束位置repl：要替换用的新内容
对start切片位置之后和stop切片位置之前进行替换，如果没有设置stop，那么start之后全部进行替换，同理如果没设置start，那么stop之前全部进行替换。
df.Email.str.slice_replace(start=1,stop=2,repl='XX') ------------------------- 0 jXXrdon@sohu.com 1 MXXke@126.cn 2 KXXlvinChai@gmail.com 3 xXXaoli@163.com 4 NaN 5 aXXei@qq.com
重复替换
repeat可以实现重复替换的功能，参数repeats设置重复的次数。
df.name.str.repeat(repeats=2) ------------------------- 0 jordonjordon 1 MIKEMIKE 2 KelvinKelvin 3 xiaoLixiaoLi 4 qiqiqiqi 5 AmeiAmei
4、文本拼接
文本拼接通过cat方法实现，参数：
others: 需要拼接的序列，如果为None不设置，就会自动把当前序列拼接为一个字符串sep: 拼接用的分隔符na_rep: 默认不对空值处理，这里设置空值的替换字符。join: 拼接的方向，包括left,right,outer,inner，默认为left
主要有以下几种拼接方式。
1. 将单个序列拼接为一个完整字符串
如上所述，当没有设置ohters参数时，该方法会将当前序列合并为一个新的字符串。
df.name.str.cat() ------------------------------- 'jordonMIKEKelvinxiaoLiqiqiAmei' # 设置sep分隔符为`-` df.name.str.cat(sep='-') ------------------------------- 'jordon-MIKE-Kelvin-xiaoLi-qiqi-Amei' # 将缺失值赋值为`*` df.level.str.cat(sep='-',na_rep='*') ----------------------- 'high-Low-M-L-middle-*'
2. 拼接序列和其他类列表型对象为新的序列
下面先将name列和*列拼接，再将level列拼接，形成一个新的序列。
# str.cat多级连接实现多列拼接 df.name.str.cat(['*']*6).str.cat(df.level) ---------------- 0 jordon*high 1 MIKE*Low 2 Kelvin*M 3 xiaoLi*L 4 qiqi*middle 5 NaN # 也可以直接多列拼接 df.name.str.cat([df.level,df.Email],na_rep='*') -------------------------------- 0 jordonhighjordon@sohu.com 1 MIKELowMike@126.cn 2 KelvinMKelvinChai@gmail.com 3 xiaoLiLxiaoli@163.com 4 qiqimiddle* 5 Amei*amei@qq.com
将一个序列与多个对象拼接为一个新的序列
5、文本提取
文本提取主要通过extract来实现的。
extract参数：
pat: 通过正则表达式实现一个提取的patternflags: 正则库re中的标识，比如re.IGNORECASEexpand: 当正则只提取一个内容时，如果expand=True会展开返回一个DataFrame，否则返回一个Series
# 提取email中的两个内容 df.Email.str.extract(pat='(.*?)@(.*).com') -------------------- 0 1 0 jordon sohu 1 vMike NaN 2 KelvinChai gmail 3 xiaoli 163 4 NaN NaN 5 amei qq
6、文本查询
通过find和findall两个方法实现。
find 参数很简单，直接输入要查询的字符串即可，返回在原字符串中的位置，没查询到结果返回-1。
df['@position'] = df.Email.str.find('@') df[['Email','@position']] ------------------------------------- Email @position 0 jordon@sohu.com 6.0 1 Mike@126.cn 4.0 2 KelvinChai@gmail.com 10.0 3 xiaoli@163.com 6.0 4 NaN NaN 5 amei@qq.com 4.0
上面示例返回@在email变量中的位置。
另外一个查找方法是findall
findall参数：
pat: 要查找的内容，支持正则表达式flag: 正则库re中的标识，比如re.IGNORECASE
findall和find的区别是支持正则表达式，并返回具体内容。这个方法有点类似extract，也可以用于提取，但不如extract方便。
df.Email.str.findall('(.*?)@(.*).com') -------------------------- 0 [(jordon, sohu)] 1 [] 2 [(KelvinChai, gmail)] 3 [(xiaoli, 163)] 4 NaN 5 [(amei, qq)]
上面示例返回正则查找的两个部分，并以元组列表的形式出现。
7、文本包含
文本包含通过contains方法实现，返回布尔值，一般和loc查询功能配合使用，参数：
pat: 匹配字符串，支持正则表达式case: 是否区分大小写，True表示区别flags: 正则库re中的标识，比如re.IGNORECASEna: 对缺失值填充regex: 是否支持正则，默认True支持
df.Email.str.contains('jordon|com',na='*') ---------- 0 True 1 False 2 True 3 True 4 * 5 True # df.loc[df.Email.str.contains('jordon|com', na=False)] ------------------------------------------ name Age level Email @position 0 jordon 18 high jordon@sohu.com 6.0 2 Kelvin 45 M KelvinChai@gmail.com 10.0 3 xiaoLi 23 L xiaoli@163.com 6.0 5 Amei 62 NaN amei@qq.com 4.0
这里需要注意一下，如果和loc配合使用，注意不能有缺失值，否则会报错。可以通过设置na=False忽略缺失值完成查询。
8、文本的虚拟变量
get_dummies可以将一个列变量自动生成虚拟变量（哑变量），这种方法在特征衍生中经常使用。
df.name.str.get_dummies() ------------------------------- Amei Kelvin MIKE jordon qiqi xiaoLi 0 0 0 0 1 0 0 1 0 0 1 0 0 0 2 0 1 0 0 0 0 3 0 0 0 0 0 1 4 0 0 0 0 1 0 5 1 0 0 0 0 0
以上就是本次分享内容。
原创不易，欢迎点赞、留言、分享，支持我继续写下去。
