Pandas处理文本数据筛选

Pandas文本处理_筛选数据

本文主要介绍的是通过使用Pandas中的3个字符串相关函数来筛选满足需求的文本数据：

contains ：包含某个字符
startswith：以字符开头
endswith：以字符结尾

模拟数据

1 2	import pandas as pd import numpy as np

df = pd.DataFrame({
    "name":["xiao ming","Xiao zhang",np.nan,"sun quan","guan yu"],
    "age":["22","19","20","34","39"],
    "sex":["male","Female","female","Female","male"],
    "address":["广东省深圳市","浙江省杭州市","江苏省苏州市","福建省泉州市","广东省广州市"]
})

df

1	df.dtypes # 查看字段类型

name       object
age        object
sex        object
address    object
dtype: object

在本次模拟的数据中，有4个特点：

name字段：存在缺失值np.nan，且Xiao和xiao存在大小写之分
age：年龄字段，正常应该是数值型，模拟的数据是字符类型object
sex：也存在F和f的大小写之分
address：正常写法

数据类型转换

我们将age字段的字符类型型转成数值型

1 2	df["age"] = df["age"].astype(float) df

生成的数据如下，似乎和原始数据没有区别；但是我们查看属性字段的数据类型就会看到区别：

df.dtypes

name        object
age        float64    # 已经变成数值型
sex         object
address     object
dtype: object

age字段已经转成了float64位的数值型。

contains

contains是用于Series数据的函数，基本语法如下：

Series.str.contains(
    pat, 
    case=True, 
    flags=0, 
    na=None, 
    regex=True
)

pat：传入的字符或者正则表达式
case：是否区分大小写（对大小写敏感）
flags：正则标志位，比如：re.IGNORECASE，表示忽略大小写
na：可选项，标量类型；对原数据中的缺失值处理，如果是object-dtype, 使用numpy.nan 代替；如果是StringDtype, 用pandas.NA
regex：布尔值；True：传入的pat看做是正则表达式，False：看做是正常的字符类型的表达式

默认情况

1
2
3

# 例子1：筛选包含xiao的数据

df["name"].str.contains("xiao")

0     True
1    False
2      NaN
3    False
4    False
Name: name, dtype: object

当属性中存在缺失值的时候，需要带上na参数：

缺失值处理

1
2
3

# 例子2：参数na使用

df[df["name"].str.contains("xiao",na=False)]

如果不带上则会报错：

1	df[df["name"].str.contains("xiao")]

忽略大小写

1
2
3

# 例子3：case使用

df["name"].str.contains("xiao",case=False)

0     True
1     True
2      NaN
3    False
4    False
Name: name, dtype: object

上面的结果直接忽略了大小写，可以看到出现了两个True：也就是xiao和Xiao的数据都被筛选出来：

1	df[df["name"].str.contains("xiao",case=False, na=False)]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
1	Xiao zhang	19.0	Female	浙江省杭州市

忽略大小写和缺失值

1 2	# 例子4：忽略大小写和缺失值 df[df["sex"].str.contains("f",case=False, na=False)]

	name	age	sex	address
1	Xiao zhang	19.0	Female	浙江省杭州市
2	NaN	20.0	female	江苏省苏州市
3	sun quan	34.0	Female	福建省泉州市

正则表达式使用

1
2
3

# 例子5：正则表达式使用

df["address"].str.contains("^广")

0     True
1    False
2    False
3    False
4     True
Name: address, dtype: bool

其中^表示开始的符号，即：以广开头的数据

1	df[df["address"].str.contains("^广")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
4	guan yu	39.0	male	广东省广州市

正则表达式中的$表示结尾的符号；下面是筛选以市结尾的数据：

1	df[df["address"].str.contains("市$")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
1	Xiao zhang	19.0	Female	浙江省杭州市
2	NaN	20.0	female	江苏省苏州市
3	sun quan	34.0	Female	福建省泉州市
4	guan yu	39.0	male	广东省广州市

在下面的正则表达式例子中，会在深苏泉中任意选择一个，然后包含这个字符的数据：

1	df[df["address"].str.contains("[深苏泉]")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
2	NaN	20.0	female	江苏省苏州市
3	sun quan	34.0	Female	福建省泉州市

startswith

startswith的语法相对简单：

1	Series.str.startswith(pat, na=None)

pat：表示一个字符；注意：不接受正则表达式
na：表示对缺失值的处理；na=False表示忽略缺失值

pat参数

指定一个字符；不接受正则表达式

1	df["address"].str.startswith("广")

0     True
1    False
2    False
3    False
4     True
Name: address, dtype: bool

1	df[df["address"].str.startswith("广")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
4	guan yu	39.0	male	广东省广州市

这种写法和正则表达式的以某个字符开头是同样的效果：

1	df[df["address"].str.contains("^广")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
4	guan yu	39.0	male	广东省广州市

自动区分大小写

startswith方法是自动区分大小写的：

1	df[df["sex"].str.startswith("f")]

	name	age	sex	address
2	NaN	20.0	female	江苏省苏州市

1	df[df["sex"].str.startswith("F")]

	name	age	sex	address
1	Xiao zhang	19.0	Female	浙江省杭州市
3	sun quan	34.0	Female	福建省泉州市

缺失值处理

1	df["name"].str.startswith("xiao")

0     True
1    False
2      NaN
3    False
4    False
Name: name, dtype: object

1	df[df["name"].str.startswith("xiao",na=False)]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市

endswith

指定以某个字符结尾，语法为：

1	Series.str.endswith(pat, na=None)

pat：表示一个字符；注意：不接受正则表达式
na：表示对缺失值的处理；na=False表示忽略缺失值

pat参数

1
2
3

# 以市结尾

df[df["address"].str.endswith("市")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
1	Xiao zhang	19.0	Female	浙江省杭州市
2	NaN	20.0	female	江苏省苏州市
3	sun quan	34.0	Female	福建省泉州市
4	guan yu	39.0	male	广东省广州市

1
2
3

# 正则的写法：contains方法

df[df["address"].str.contains("市$")]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
1	Xiao zhang	19.0	Female	浙江省杭州市
2	NaN	20.0	female	江苏省苏州市
3	sun quan	34.0	Female	福建省泉州市
4	guan yu	39.0	male	广东省广州市

缺失值处理

1	df["name"].str.endswith("g")

0     True
1     True
2      NaN
3    False
4    False
Name: name, dtype: object

1	df[df["name"].str.endswith("g",na=False)]

	name	age	sex	address
0	xiao ming	22.0	male	广东省深圳市
1	Xiao zhang	19.0	Female	浙江省杭州市

1 2	# 不加na参数则报错 df[df["name"].str.endswith("g")]

报错的原因很明显：就是因为name字段下面存在缺失值。当使用了na参数就可以解决