Pandas中字符串处理
字符串是一种常见的数据类型,我们遇到的文本、json数据等都是属于字符串的范畴。Python内置了很多处理字符串的方法,这些方法为我们处理和清洗数据提供了很大的便利。
python内置方法
1 | # 1、自定义字符串 |
'hello python!'
查看x的类型:
1 | type(x) # str类型 |
str
1 | # 2、字符串拼接 |
'hello python! hello pandas!'
1 | # 3、字符串大小写转化 |
'HELLO PYTHON! HELLO PANDAS!'
1 | y_lower = y_upper.lower() |
'hello python! hello pandas!'
1 | # 4、字符串替换 |
'hello Python! hello Pandas!'
1 | # 5、字符串切割 |
['hello', 'python!', 'hello', 'pandas!']
1 | # 6、字符串去除空白 |
'hellopython!hellopandas!'
1 | # 7、包含与否 |
False
1 | "p" in y |
True
还可以正则模块re来处理字符串相关的问题(不展开)。
Python内置的字符串处理方法只能处理一个字符串,如果想要同时处理,可以使用:
- for循环,通过遍历列表来实现
- python列表推导式来实现
1 | a = ["python","java","c"] |
['python', 'java', 'c']
1 | # 遍历循环实现 |
The lenght of python: 6
The lenght of java: 4
The lenght of c: 1
1 | # 列表推导式 |
[6, 4, 1]
但是python内置的方法存在一个问题,不能处理缺失值:
1 | b = ["python","java","c", None] # 存在缺失值 |
['python', 'java', 'c', None]
1 | # [len(i) for i in b] # 运行报错 |
Pandas字符串类型
Pandas中存在两种字符串类型:ObjectDtype类型和StringDtype类型。关于StringDtype类型,官方有说明:
StringDtype is considered experimental. The implementation and parts of the API may change without warning.
中文翻译过来就是:StringDtype类型是实验性的。它的实现和部分API功能可能在未告知的情况下删除。
1 | import pandas as pd |
Pandas改变Object数据类型
Object类型是我们在pandas中常用的字符串类型。
astype指定类型
1 | s = pd.Series(['a','b','c',None]) |
0 a
1 b
2 c
3 None
dtype: object
上面表示的是Pandas中字符或者字符与其他类型(案例是None)的混合类型。
1 | s.dtype |
dtype('O')
1 | s1 = s.astype("string") # 通过astype强制转化成string |
0 a
1 b
2 c
3 <NA>
dtype: string
上面表示的是pandas的“纯“字符类型”。
1 | s1.dtype |
string[python]
在创建Series的时候可以直接指定数据类型:
1 | s2 = pd.Series(['a','b','c',None], dtype='string') |
0 a
1 b
2 c
3 <NA>
dtype: string
1 | s2.dtype |
string[python]
convert_dtypes转化数据类型
1 | df = pd.DataFrame(['1','2','3',None], |
A | |
---|---|
0 | 1 |
1 | 2 |
2 | 3 |
3 | None |
1 | df.dtypes |
A object
dtype: object
1 | df = df.convert_dtypes() |
1 | df.dtypes |
A string
dtype: object
Pandas向量化操作字符串
使用字符串的str属性
Pandas中内置了等效python的字符串操作方法:str属性
1 | df = pd.DataFrame(["Python Gudio 1991","Java Gosling 1990",None, "Pandas Mckinney 2008"], |
Language | |
---|---|
0 | Python Gudio 1991 |
1 | Java Gosling 1990 |
2 | None |
3 | Pandas Mckinney 2008 |
改变字符串的大小写:
1 | # 全部大写 |
0 PYTHON GUDIO 1991
1 JAVA GOSLING 1990
2 None
3 PANDAS MCKINNEY 2008
Name: Language, dtype: object
1 | # 全部小写 |
0 python gudio 1991
1 java gosling 1990
2 None
3 pandas mckinney 2008
Name: Language, dtype: object
求解字符串的长度len:
1 | # 求解长度 |
0 17.0
1 17.0
2 NaN
3 20.0
Name: Language, dtype: float64
3、检查字符串中是否包含指定的字符:
1 | # 包含 |
0 True
1 False
2 None
3 True
Name: Language, dtype: object
1 | # 筛选数据 |
Language | |
---|---|
0 | Python Gudio 1991 |
3 | Pandas Mckinney 2008 |
检查字符串是否以指定元素开始:
1 | df["Language"].str.startswith("J") # 是否以J开头 |
0 False
1 True
2 None
3 False
Name: Language, dtype: object
1 | # 筛选数据 |
Language | |
---|---|
1 | Java Gosling 1990 |
检查字符串是否以指定元素结尾:
1 | df["Language"].str.endswith("8") # 是否以8结束 |
0 False
1 False
2 None
3 True
Name: Language, dtype: object
1 | df[df["Language"].str.endswith("8") == True] |
Language | |
---|---|
3 | Pandas Mckinney 2008 |
1 | df |
Language | |
---|---|
0 | Python Gudio 1991 |
1 | Java Gosling 1990 |
2 | None |
3 | Pandas Mckinney 2008 |
查找指定元素第一次出现的位置(索引号,左边第一个);如果字符串中不包含该字符,则返回-1:
1 | df["Language"].str.find("a") |
0 -1.0
1 1.0
2 NaN
3 1.0
Name: Language, dtype: float64
查找指定元素在最右边出现的位置;如果字符串中不包含该字符,则返回-1:
1 | df["Language"].str.rfind("a") |
0 -1.0
1 3.0
2 NaN
3 4.0
Name: Language, dtype: float64
调整字符串的整体宽度:右对齐填充
1 | df["Language"].str.rjust(width=20) |
0 Python Gudio 1991
1 Java Gosling 1990
2 None
3 Pandas Mckinney 2008
Name: Language, dtype: object
1 | df["Language"].str.rjust(width=30) # 前面的空白明显增加 |
0 Python Gudio 1991
1 Java Gosling 1990
2 None
3 Pandas Mckinney 2008
Name: Language, dtype: object
另外一个函数str.pad也可以实现;
1 | df["Language"].str.pad(width=30) |
0 Python Gudio 1991
1 Java Gosling 1990
2 None
3 Pandas Mckinney 2008
Name: Language, dtype: object
右对齐,前面使用0填充到指定字符串长度:
1 | df["Language"].str.zfill(width=20) |
0 000Python Gudio 1991
1 000Java Gosling 1990
2 None
3 Pandas Mckinney 2008
Name: Language, dtype: object
1 | df["Language"].str.zfill(width=30) |
0 0000000000000Python Gudio 1991
1 0000000000000Java Gosling 1990
2 None
3 0000000000Pandas Mckinney 2008
Name: Language, dtype: object
字符串重复(复制)指定的次数:
1 | df["Language"].str.repeat(repeats=2) |
0 Python Gudio 1991Python Gudio 1991
1 Java Gosling 1990Java Gosling 1990
2 None
3 Pandas Mckinney 2008Pandas Mckinney 2008
Name: Language, dtype: object
字符串的分割split:
1 | # 拆分 |
0 [Python, Gudio, 1991]
1 [Java, Gosling, 1990]
2 None
3 [Pandas, Mckinney, 2008]
Name: Language, dtype: object
拆分split和连接join的联合使用:
1 | df["Language"].str.split().str.join("_") |
0 Python_Gudio_1991
1 Java_Gosling_1990
2 None
3 Pandas_Mckinney_2008
Name: Language, dtype: object
1 | df["Language"].str.split().str.join("+") |
0 Python+Gudio+1991
1 Java+Gosling+1990
2 None
3 Pandas+Mckinney+2008
Name: Language, dtype: object
1 | # 拆分 + 获取单个元素 |
0 Python
1 Java
2 None
3 Pandas
Name: Language, dtype: object
1 | df["Language"].str.split().str[1] # 第二个元素 |
0 Gudio
1 Gosling
2 None
3 Mckinney
Name: Language, dtype: object
通过get方法来获取分割后的数据:索引从0开始
1 | # 使用字符串的get方法 |
0 Python
1 Java
2 None
3 Pandas
Name: Language, dtype: object
1 | df["Language"].str.split().str.get(1) |
0 Gudio
1 Gosling
2 None
3 Mckinney
Name: Language, dtype: object
将分割后的数据进行展开,列属性名是0,1,2…等自然数
1 | # 使用expand参数,将返回的列表进行展开 |
0 | 1 | 2 | |
---|---|---|---|
0 | Python | Gudio | 1991 |
1 | Java | Gosling | 1990 |
2 | None | None | None |
3 | Pandas | Mckinney | 2008 |
指定最大列属性值:n=1表示分割split之后的最大列索引值为1:
1 | df["Language"].str.split(" ", expand=True, n=1) |
0 | 1 | |
---|---|---|
0 | Python | Gudio 1991 |
1 | Java | Gosling 1990 |
2 | None | None |
3 | Pandas | Mckinney 2008 |
1 |
字符串的正则表达式
1 | df |
Language | |
---|---|
0 | Python Gudio 1991 |
1 | Java Gosling 1990 |
2 | None |
3 | Pandas Mckinney 2008 |
1 | df["Language"].str.match("^P") # 匹配以P开头的内容 |
0 True
1 False
2 None
3 True
Name: Language, dtype: object
1 | df["Language"].str.contains("J") # 匹配包含字母J |
0 False
1 True
2 None
3 False
Name: Language, dtype: object
1 | df["Language"].str.findall("[PJ]") # 匹配包含字母P或者J |
0 [P]
1 [J]
2 None
3 [P]
Name: Language, dtype: object
1 | df["Language"].str.findall('\d+') # 提取字符串中的数据部分 |
0 [1991]
1 [1990]
2 None
3 [2008]
Name: Language, dtype: object
1 | df["Language"].str.findall('(.*?) ') |
0 [Python, Gudio]
1 [Java, Gosling]
2 None
3 [Pandas, Mckinney]
Name: Language, dtype: object
str.replace:正则表达式中的替换功能
1 | # 将字母J和Python整个字符串替换成? |
C:\Users\ADMINI~1\AppData\Local\Temp/ipykernel_6752/2175481212.py:1: FutureWarning: The default value of regex will change from True to False in a future version.
df["Language"].str.replace("^J|Python","?",case=False)
0 ? Gudio 1991
1 ?ava Gosling 1990
2 None
3 Pandas Mckinney 2008
Name: Language, dtype: object
方法汇总
- str.len:计算字符串长度
- str.strip:去除字符串开头和结尾处的空格(默认)
- str.lstrip:去除字符串左边的空格(默认)或者指定字符
- str.rtrip:去除字符串结尾处的空格(默认)或者指定字符
- str.lower:所有字符串的字母转成小写
- str.uppper:所有字符串的字母转成大写
- str.find:查找字符串中指定的子字符串第一次出现的位置
- str.rfind:查找字符串中指定的子字符串最后一次出现的位置
- str.index:查找指定字符在字符串中第一次出现的位置(索引号)
- str.rindex:查找指定字符在字符串中最后一次出现的位置(索引号)
- str.capitalize:将字符串中的单词的第一个字母变成大写,其余字母为小写
- str.isalpha:检查字符串是否只由字母组成
- str.isdigit;检查字符串是否只由数字组成
- str.islower:检查字符串是否只由小写字母组成
- str.isupper:检查字符串是否只由大写字母组成
- str.istitle:检查所有单词首字母是否大写,其他字母是否是小写组成
- str.startswith:检查字符串是否以指定字符开始
- str.endswith:检查字符串是否以指定字符结束
- str.ljust:左对齐,默认使用空格填充
- str.zfill:右对齐,前面使用0填充到指定字符串长度