# 导入相关库 import numpy as np import pandas as pd
为什么要用str属性
- 文本数据也就是我们常说的字符串,Pandas 为 Series 提供了 str 属性,通过它可以方便的对每个元素进行操作。
index = pd.Index(data=["Tom", "Bob", "Mary", "James", "Andy", "Alice"], name="name") data = { "age": [18, 30, np.nan, 40, np.nan, 30], "city": ["Bei Jing ", "Shang Hai ", "Guang Zhou", "Shen Zhen", np.nan, " "], "sex": [None, "male", "female", "male", np.nan, "unknown"], "birth": ["2000-02-10", "1988-10-17", None, "1978-08-08", np.nan, "1988-10-17"] } user_info = pd.DataFrame(data=data, index=index) # 将出生日期转为时间戳 user_info["birth"] = pd.to_datetime(user_info.birth) user_info ------------------------------ age city sex birth name Tom 18.0 Bei Jing None 2000-02-10 Bob 30.0 Shang Hai male 1988-10-17 Mary NaN Guang Zhou female NaT James 40.0 Shen Zhen male 1978-08-08 Andy NaN NaN NaN NaT Alice 30.0 unknown 1988-10-17
在之前已经了解过,在对 Series 中每个元素处理时,我们可以使用 map 或 apply 方法。
user_info.city.map(lambda x: x.lower()) ------------------------------- AttributeError Traceback (most recent call last) <ipython-input-43-e661c5ad5c48> in <module>() ----> 1 user_info.city.map(lambda x: x.lower()) ~/.virtualenvs/py3/lib/python3.6/site-packages/pandas/core/series.py in map(self, arg, na_action) 2996 """ 2997 new_values = super(Series, self)._map_values( -> 2998 arg, na_action=na_action) 2999 return self._constructor(new_values, 3000 index=self.index).__finalize__(self) ~/.virtualenvs/py3/lib/python3.6/site-packages/pandas/core/base.py in _map_values(self, mapper, na_action) 1002 1003 # mapper is a function -> 1004 new_values = map_f(values, mapper) 1005 1006 return new_values pandas/_libs/src/inference.pyx in pandas._libs.lib.map_infer() <ipython-input-43-e661c5ad5c48> in <lambda>(x) ----> 1 user_info.city.map(lambda x: x.lower())
- What?竟然出错了,错误原因是因为 float 类型的对象没有 lower 属性。这是因为缺失值(np.nan)属于float 类型。
这时候我们的 str 属性操作来了,来看看如何使用吧。
# 将文本转为小写 user_info.city.str.lower() ---------------------------- name Tom bei jing Bob shang hai Mary guang zhou James shen zhen Andy NaN Alice Name: city, dtype: object
可以看到,通过 str 属性来访问之后用到的方法名与 Python 内置的字符串的方法名一样。并且能够自动排除缺失值。
- 我们再来试试其他一些方法。例如,统计每个字符串的长度。
user_info.city.str.len() name Tom 9.0 Bob 10.0 Mary 10.0 James 9.0 Andy NaN Alice 1.0 Name: city, dtype: float64
替换和分割
使用 .str 属性也支持替换与分割操作。
- 先来看下替换操作,例如:将空字符串替换成下划线。
user_info.city.str.replace(" ", "_") ------------------------------ name Tom Bei_Jing_ Bob Shang_Hai_ Mary Guang_Zhou James Shen_Zhen Andy NaN Alice _ Name: city, dtype: object
- replace方法还支持正则表达式,例如将所有开头为 S 的城市替换为空字符串。
user_info.city.str.replace("^S.*", " ") ------------------------------ name Tom Bei Jing Bob Mary Guang Zhou James Andy NaN Alice Name: city, dtype: object
- 再来看下分割操作,例如根据空字符串来分割某一列。
user_info.city.str.split(" ") ----------------------------- name Tom [Bei, Jing, ] Bob [Shang, Hai, ] Mary [Guang, Zhou] James [Shen, Zhen] Andy NaN Alice [, ] Name: city, dtype: object
- 分割列表中的元素可以使用 get 或 [] 符号进行访问:
user_info.city.str.split(" ").str.get(1) ---------------------------- name Tom Jing Bob Hai Mary Zhou James Zhen Andy NaN Alice Name: city, dtype: object ---------------------------- user_info.city.str.split(" ").str[1] ---------------------------- name Tom Jing Bob Hai Mary Zhou James Zhen Andy NaN Alice Name: city, dtype: object
- 设置参数 expand=True 可以轻松扩展此项以返回 DataFrame
user_info.city.str.split(" ", expand=True) ------------------------------- 0 1 2 name Tom Bei Jing Bob Shang Hai Mary Guang Zhou None James Shen Zhen None Andy NaN NaN NaN Alice None
提取子串
既然是在操作字符串,很自然,你可能会想到是否可以从一个长的字符串中提取出子串。答案是可以的。
提取第一个匹配的子串
- extract 方法接受一个正则表达式并至少包含一个捕获组
- 指定参数 expand=True 可以保证每次都返回 DataFrame。
- 例如,现在想要匹配空字符串前面的所有的字母,可以使用如下操作:
user_info.city.str.extract("(\w+)\s+", expand=True) --------------------------- 0 name Tom Bei Bob Shang Mary Guang James Shen Andy NaN Alice NaN
如果使用多个组提取正则表达式会返回一个 DataFrame,每个组只有一列。
- 例如,想要匹配出空字符串前面和后面的所有字母,操作如下:
user_info.city.str.extract("(\w+)\s+(\w+)", expand=True) ---------------------------------- 0 1 name Tom Bei Jing Bob Shang Hai Mary Guang Zhou James Shen Zhen Andy NaN NaN Alice NaN NaN
匹配所有子串
extract只能够匹配出第一个子串,使用 extractall 可以匹配出所有的子串。
- 例如,将所有组的空白字符串前面的字母都匹配出来,可以如下操作
user_info.city.str.extractall("(\w+)\s+") ------------------------------ 0 name match Tom 0 Bei 1 Jing Bob 0 Shang 1 Hai Mary 0 Guang James 0 Shen
测试是否包含子串
除了可以匹配出子串外,我们还可以使用 contains 来测试是否包含子串。
- 例如,想要测试城市是否包含子串 “Zh”。
user_info.city.str.contains("Zh") ------------------------ name Tom False Bob False Mary True James True Andy NaN Alice False Name: city, dtype: object
- 当然了,正则表达式也是支持的。例如,想要测试是否是以字母 “S” 开头。
user_info.city.str.contains("^S") ------------------------------- name Tom False Bob True Mary False James True Andy NaN Alice False Name: city, dtype: object
上述的东西,其实就是对字符串的一些操作而已,很简单
生成哑变量
这是一个神奇的功能,通过 get_dummies 方法可以将字符串转为哑变量,sep 参数是指定哑变量之间的分隔符。来看看效果吧。
Bei Guang Hai Jing Shang Shen Zhen Zhou name Tom 1 0 0 1 0 0 0 0 Bob 0 0 1 0 1 0 0 0 Mary 0 1 0 0 0 0 0 1 James 0 0 0 0 0 1 1 0 Andy 0 0 0 0 0 0 0 0 Alice 0 0 0 0 0 0 0 0
这样,它提取出了 Bei, Guang, Hai, Jing, Shang, Shen, Zhen, Zhou 这些哑变量,并对每个变量下使用 0 或 1 来表达。实际上与 One-Hot(狂热编码)是一回事。听不懂没关系,之后将机器学习相关知识时会详细介绍这里。
方法摘要
- 这里列出了一些常用的方法摘要。
方法 |
描述 |
cat() |
连接字符串 |
split() |
在分隔符上分割字符串 |
rsplit() |
从字符串末尾开始分隔字符串 |
get() |
索引到每个元素(检索第i个元素) |
join() |
使用分隔符在系列的每个元素中加入字符串 |
get_dummies() |
在分隔符上分割字符串,返回虚拟变量的DataFrame |
contains() |
如果每个字符串都包含pattern / regex,则返回布尔数组 |
replace() |
用其他字符串替换pattern / regex的出现 |
repeat() |
重复值(s.str.repeat(3)等同于x * 3 t2 >) |
pad() |
将空格添加到字符串的左侧,右侧或两侧 |
center() |
相当于str.center |
ljust() |
相当于str.ljust |
rjust() |
相当于str.rjust |
zfill() |
等同于str.zfill |
wrap() |
将长长的字符串拆分为长度小于给定宽度的行 |
slice() |
切分Series中的每个字符串 |
slice_replace() |
用传递的值替换每个字符串中的切片 |
count() |
计数模式的发生 |
startswith() |
相当于每个元素的str.startswith(pat) |
endswith() |
相当于每个元素的str.endswith(pat) |
findall() |
计算每个字符串的所有模式/正则表达式的列表 |
match() |
在每个元素上调用re.match,返回匹配的组作为列表 |
extract() |
在每个元素上调用re.search,为每个元素返回一行DataFrame,为每个正则表达式捕获组返回一列 |
extractall() |
在每个元素上调用re.findall,为每个匹配返回一行DataFrame,为每个正则表达式捕获组返回一列 |
len() |
计算字符串长度 |
strip() |
相当于str.strip |
rstrip() |
相当于str.rstrip |
lstrip() |
相当于str.lstrip |
partition() |
等同于str.partition |
rpartition() |
等同于str.rpartition |
lower() |
相当于str.lower |
upper() |
相当于str.upper |
find() |
相当于str.find |
rfind() |
相当于str.rfind |
index() |
相当于str.index |
rindex() |
相当于str.rindex |
capitalize() |
相当于str.capitalize |
swapcase() |
相当于str.swapcase |
normalize() |
返回Unicode标准格式。相当于unicodedata.normalize |
translate() |
等同于str.translate |
isalnum() |
等同于str.isalnum |
isalpha() |
等同于str.isalpha |
isdigit() |
相当于str.isdigit |
isspace() |
等同于str.isspace |
islower() |
相当于str.islower |
isupper() |
相当于str.isupper |
istitle() |
相当于str.istitle |
isnumeric() |
相当于str.isnumeric |
isdecimal() |
相当于str.isdecimal |
本文作者为无邪 AI派 | 禹都一只猫整理,转载请注明。