(数据科学学习手札131)pandas中的常用字符串处理方法总结

本文示例代码及文件已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介 在日常开展数据分析的过程中,我们经常需要对字符串类型数据进行处理,此类过程往往都比较繁琐,而pandas作为表格数据分析利器,其内置的基于Series.str访问器的诸多针对字符串进行处理的方法,以及一些top-level级的内置函数,则可以帮助我们大大提升字符串型数据处理的效率。
本文我就将带大家学习pandas中常用的一些高效字符串处理方法,提升日常数据处理分析效率:
2 pandas常用字符串处理方法 pandas中的常用字符串处理方法,可分为以下几类:
2.1 拼接合成类方法 这一类方法主要是基于原有的Series数据,按照一定的规则,利用拼接或映射等方法合成出新的Series,主要有:
2.1.1 利用join()方法按照指定连接符进行字符串连接
当原有的Series中每个元素均为列表,且列表中元素均为字符串时,就可以利用str.join()来将每个列表按照指定的连接符进行连接,主要参数有:
  • sep: str型,必选,用于设置连接符
它除了可以简化我们常规使用apply()配合'连接符'.join(列表)`实现的等价过程之外,还可以在列表中包含非字符型元素时自动跳过此次拼接返回缺失值,譬如下面的例子:
s = pd.Series([ ['a', 'b', 'c'], [1, 'a', 'b'], list('pandas') ])s.str.join('-')

(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.1.2 利用cat()方法进行字符串拼接
当需要对整个序列进行拼接,或者将多个序列按位置进行元素级拼接时,就可以使用str.cat()方法来加速这个过程,其主要参数有:
  • others: 序列型,可选,用于传入待进行按位置元素级拼接的字符串序列对象
  • sep: str型,可选,用于设置连接符,默认为''
  • na_rep: str型,可选,用于设置对缺失值的替换值,默认为None时:
    • others参数未设置时,返回的拼接结果中缺失项自动跳过
    • others参数设置时,两边的序列对应位置上存在缺失值时,拼接结果对应位置返回缺失值
下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.2 判断类方法 判断类方法在这里指的是针对字符型Series,按照一定的条件判断从而返回与原序列等长的bool型序列,可进一步辅助数据筛选等操作,在pandas中此类字符串处理方法主要有:
2.2.1 利用startswith()与endswith()匹配字符串首尾
当我们需要判断字符型Series中的每个元素是否以某段字符片段开头或结尾时,就可以使用到startswith()/endswith(),它们的参数一致:
  • pat: str型,用于定义要检查的字符片段
  • na: 任意对象,当对应位置元素为空值时,用于自定义该位置返回判断结果,默认为NaN,会原值返回,通常建议设置为False
下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.2.2 利用contains()判断是否包含指定模式
当我们想要判断字符型Series中每个元素,是否包含指定的字符片段或正则模式时,则可以使用到str.contains()方法,其主要参数有:
  • pat: str型,必选,用于定义要检查的字符模式,当regex=True时表示正则表达式,当regex=False时,表示原始字符串片段
  • flags: int型,可选,对应re模块中的flags参数,用于配合正则表达式模式,实现更多功能,譬如re.IGNORECASE即代表大小写忽略
  • na: 用于自定义遇到缺失值时返回的对象,通常建议设置为False
  • regex: bool型,用于设置是否将pat参数视为正则表达式进行解析,默认为True
下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.2.3 利用match()判断是否以指定正则模式开头
类似前面介绍的startswith(),不同的是,match()支持正则表达式,可以帮助掌握正则表达式的用户拓展匹配能力,其主要参数有:
  • pat: str型,必选,用于定义要检查的字符模式,当regex=True时表示正则表达式,当regex=False时,表示原始字符串片段
  • flags: int型,可选,对应re模块中的flags参数,用于配合正则表达式模式,实现更多功能,譬如re.IGNORECASE即代表大小写忽略
  • na: 用于自定义遇到缺失值时返回的对象,通常建议设置为False
下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.2.4 利用fullmatch()判断字符串是否完整满足指定正则模式
上面介绍的match()局限性在于只能从开头匹配是否满足指定正则表达式,而从pandas1.1.0版本开始,新增了fullmatch()方法,可以帮助我们传入正则表达式来判断目标字符串是否可以完全匹配,其参数同match(),下面是一个简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.3 生成型方法 生成型方法这里指的是,基于原有的单列字符型Series数据,按照一定的规则产生出新计算结果的一系列方法,pandas中常用的有:
2.3.1 利用slice()进行字符切片
当我们想要对字符型Series进行元素级的切片操作时,就可以用到str.slice(),其三个参数依次为startstopstep,分别代表切片的开始下标、结束下标与步长,与Python原生的切片方式一致,下面是一些简单的例子(也可以直接使用类似Python[start:stop:step]):
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.3.2 利用replace()对指定字符片段或正则模式进行替换
当我们希望对字符型Series进行元素级的字符片段/正则模式替换时,就可以使用到str.replace()方法,其除了常规的patflagsregex等参数外,还有特殊的参数n用于设置每个元素字符串(默认为-1即不限制次数),参数repl用于设置填充的新内容,从开头开始总共替换几次,下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.3.3 利用split()按照指定字符片段或正则模式拆分字符串
利用str.split()方法,我们可以基于指定的字符片段或正则模式对原始字符Series进行元素级拆分,主要参数有patn,同上文类似的参数设定,另外还有特殊参数expand来设定对于是否以DataFrame中不同列的形式存储拆分结果,默认为False。下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.3.4 利用findall()提取符合指定模式的片段
利用findall(),可以按照指定的字符片段/正则模式对字符型Series进行元素级提取,可用的参数有patflags,下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.3.5 利用count()进行频数统计
通过count(),我们可以对指定的字符片段/正则模式在字符型Series中每个字符串元素中出现的次数进行统计,其参数同上文中的findall(),下面是一些简单的例子:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.4 特殊型方法 除了上述介绍到的字符串处理方法外,pandas中还有一些特殊方法,可以配合字符串解决更多处理需求,典型的有:
2.4.1 利用get_dummies()方法生成哑变量
在涉及到机器学习特征工程的过程中,我们可以使用到str.get_dummies()方法来对具有固定分隔符的字符串进行哑变量的生成,它只有一个参数sep,用于设置分隔符,暂时不支持正则模式:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
2.4.2 利用pd.to_numeric()修复数值错误
有些情况下,我们从外部数据源(如excel表)中读入的数据,由于原始数据文件加工的问题,导致一些数值型字段中的某些单元格混入非数值型字符,如:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
这种情况下,直接读入的数据,本应该为数值型的字段会变成object型:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
这种时候就可以利用pd.to_numeric()方法,设置参数errors='coerce',就可以将可以合法转为数值型的记录转换为相应的数值,不合法的位置返回缺失值:
(数据科学学习手札131)pandas中的常用字符串处理方法总结
文章图片
【(数据科学学习手札131)pandas中的常用字符串处理方法总结】以上就是本文的全部内容,欢迎在评论区与我进行讨论~

    推荐阅读