Pandas - 处理文本数据

简述

在本章中，我们将使用基本的系列/索引来讨论字符串操作。在后续章节中，我们将学习如何在 DataFrame 上应用这些字符串函数。

Pandas 提供了一组字符串函数，可以轻松地对字符串数据进行操作。最重要的是，这些函数忽略（或排除）缺失/NaN 值。

几乎所有这些方法都适用于 Python 字符串函数（请参阅：https://docs.python.org/3/library/stdtypes.html#string-methods ）。因此，将系列对象转换为字符串对象，然后执行操作。

现在让我们看看每个操作是如何执行的。

序号	功能说明
1	lower() 将系列/索引中的字符串转换为小写。
2	upper() 将系列/索引中的字符串转换为大写。
3	len() 计算字符串长度（）。
4	strip() 帮助从两侧从系列/索引中的每个字符串中去除空格（包括换行符）。
5	split(' ') 用给定的模式分割每个字符串。
6	cat(sep=' ') 用给定的分隔符连接系列/索引元素。
7	get_dummies() 返回具有 One-Hot 编码值的 DataFrame。
8	contains(pattern) 如果子字符串包含在元素中，则为每个元素返回布尔值 True，否则返回 False。
9	replace(a,b) 替换值a与价值b.
10	repeat(value) 以指定的次数重复每个元素。
11	count(pattern) 返回每个元素中出现模式的计数。
12	startswith(pattern) 如果 Series/Index 中的元素以模式开头，则返回 true。
13	endswith(pattern) 如果 Series/Index 中的元素以模式结尾，则返回 true。
14	find(pattern) 返回模式第一次出现的第一个位置。
15	findall(pattern) 返回所有出现的模式的列表。
16	swapcase 交换外壳下部/上部。
17	islower() 检查系列/索引中每个字符串中的所有字符是否为小写。返回布尔值
18	isupper() 检查系列/索引中每个字符串中的所有字符是否为大写。返回布尔值。
19	isnumeric() 检查系列/索引中每个字符串中的所有字符是否都是数字。返回布尔值。

现在让我们创建一个系列，看看上述所有功能是如何工作的。


import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s

它的输出如下 -


0            Tom
1   William Rick
2           John
3        Alber@t
4            NaN
5           1234
6    Steve Smith
dtype: object

lower()


import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.lower()

它的输出如下 -


0            tom
1   william rick
2           john
3        alber@t
4            NaN
5           1234
6    steve smith
dtype: object

upper()


import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.upper()

它的输出如下 -


0            TOM
1   WILLIAM RICK
2           JOHN
3        ALBER@T
4            NaN
5           1234
6    STEVE SMITH
dtype: object

len()


import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.len()

它的输出如下 -


0    3.0
1   12.0
2    4.0
3    7.0
4    NaN
5    4.0
6   10.0
dtype: float64

strip()


import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("After Stripping:")
print s.str.strip()

它的输出如下 -


0            Tom
1   William Rick
2           John
3        Alber@t
dtype: object
After Stripping:
0            Tom
1   William Rick
2           John
3        Alber@t
dtype: object

split(pattern)


import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("Split Pattern:")
print s.str.split(' ')

它的输出如下 -


0            Tom
1   William Rick
2           John
3        Alber@t
dtype: object
Split Pattern:
0   [Tom, , , , , , , , , , ]
1   [, , , , , William, Rick]
2   [John]
3   [Alber@t]
dtype: object

cat(sep=pattern)


import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.cat(sep='_')

它的输出如下 -


Tom _ William Rick_John_Alber@t

get_dummies()


import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.get_dummies()

它的输出如下 -


   William Rick   Alber@t   John   Tom
0             0         0      0     1
1             1         0      0     0
2             0         0      1     0
3             0         1      0     0

contains ()


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.contains(' ')

它的输出如下 -


0   True
1   True
2   False
3   False
dtype: bool

replace(a,b)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("After replacing @ with $:")
print s.str.replace('@','

它的输出如下 -


0   Tom
1   William Rick
2   John
3   Alber@t
dtype: object
After replacing @ with $:
0   Tom
1   William Rick
2   John
3   Alber$t
dtype: object

repeat(value)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.repeat(2)

它的输出如下 -


0   Tom            Tom
1   William Rick   William Rick
2                  JohnJohn
3                  Alber@tAlber@t
dtype: object

count(pattern)


import pandas as pd
 
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("The number of 'm's in each string:")
print s.str.count('m')

它的输出如下 -


The number of 'm's in each string:
0    1
1    1
2    0
3    0

startswith(pattern)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that start with 'T':")
print s.str. startswith ('T')

它的输出如下 -


0  True
1  False
2  False
3  False
dtype: bool

endswith(pattern)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that end with 't':")
print s.str.endswith('t')

它的输出如下 -


Strings that end with 't':
0  False
1  False
2  False
3  True
dtype: bool

find(pattern)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.find('e')

它的输出如下 -


0  -1
1  -1
2  -1
3   3
dtype: int64

“-1”表示元素中没有可用的这种模式。

findall(pattern)


import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.findall('e')

它的输出如下 -


0 []
1 []
2 []
3 [e]
dtype: object

Null list([ ]) 表示元素中不存在这样的模式。

swapcase()


import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.swapcase()

它的输出如下 -


0  tOM
1  wILLIAM rICK
2  jOHN
3  aLBER@T
dtype: object

islower()


import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.islower()

它的输出如下 -


0  False
1  False
2  False
3  False
dtype: bool

isupper()


import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.isupper()

它的输出如下 -


0  False
1  False
2  False
3  False
dtype: bool

isnumeric()


import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.isnumeric()

它的输出如下 -


0  False
1  False
2  False
3  False
dtype: bool

)

它的输出如下 -

repeat(value)

它的输出如下 -

count(pattern)

它的输出如下 -

startswith(pattern)

它的输出如下 -

endswith(pattern)

它的输出如下 -

find(pattern)

它的输出如下 -

“-1”表示元素中没有可用的这种模式。

findall(pattern)

它的输出如下 -

Null list([ ]) 表示元素中不存在这样的模式。

swapcase()

它的输出如下 -

islower()

它的输出如下 -

isupper()

它的输出如下 -

isnumeric()

它的输出如下 -