引言
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pattern -
flags
: 正则库re
中的标识,比如re.IGNORECASE
-
expand
: 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.IGNORECASE
-
na
: 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