详解文本数据"/>
pandas详解文本数据
文本数据
一、string类型的性质
1. string与object的区别
(1)字符存取方法会返回相应数据的Nullable类型,而object会岁缺失值的存在而改变返回类型
(2) 某些Series方法不能用在string上,例如:Series.str.decode(),存储的是字符串而不是字节
(3)string类型在缺失值存储或运算时,类型会广播为pd.NA,而不是浮点型np.nan
2. string类型的转换
如果将一个其他类型的容器直接转换string类型可能会出错。当下正确的方法是分两部转换,先转为str型object,再转为string类型。str是将该对象转换成字符串类型,string是该对象原本就是字符串。
pd.Series([1,'1.']).astype('str').astype('string')
pd.Series([1,2]).astype('str').astype('string')
pd.Series([True,False]).astype('str').astype('string')
上述代码分别是将object型、int型、bool型分两步转换为string类型。直接转会报错。
二、 拆分与拼接
1. str.split方法
(a) 分隔符与str的位置元素选取
s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
s.str.split('_')
结果:
0 [a, b, c]
1 [c, d, e]
2
3 [f, g, h]
dtype: object
对于str方法可以进行元素的选择,如果该单元格元素是列表,那么str[i]表示取出第i个元素,如果是单个元素,则先把元素转为列表在取出
s.str.split('_').str[1]
pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1]
(b)其他参数
expand参数控制了是否将列拆开,n参数代表最多分割多少次
s.str.split('_',expand=True)
s.str.split('_',n=1)
0 [a, b_c]
1 [c, d_e]
2
3 [f, g_h]
dtype: object
s.str.split('_',expand=True,n=1)
2. str.cat方法
(a)不同对象的拼接模式
cat方法对于不同对象的作用结果并不相同,其中的对象包括:单列、双列、多列
① 对于单个Series而言,就是指所有的元素进行字符合并为一个字符串
s = pd.Series(['ab',None,'d'],dtype='string')
s.str.cat()
‘abc’
其中可选sep分隔符参数,和缺失值替代字符na_rep参数
s.str.cat(sep=',')
结果:
‘ab,d’
s.str.cat(sep=',',na_rep='*')
结果:
‘ab,*,d’
② 对于两个Series合并而言,是对应索引的元素进行合并
s2 = pd.Series(['24',None,None],dtype='string')
s.str.cat(s2)
结果:
0 ab24
1
2
dtype: string
同样也有相应参数,需要注意的是两个缺失值会被同时替换
s.str.cat(s2,sep=',',na_rep='*')
结果:
0 ab,24
1 ,
2 d,*
dtype: string
③ 多列拼接可以分为表的拼接和多Series拼接
表的拼接
s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')
结果:
0 ab15
1 3b
2 d5
dtype: string
多个Series拼接
s.str.cat([s+'0',s*2])
结果:
0 abab0abab
1
2 dd0dd
dtype: string
(b)cat中的索引对齐
当前版本中,如果两边合并的索引不相同且未指定join参数,默认为左连接,设置join=‘left’
s2 = pd.Series(list('abc'),index=[1,2,3],dtype='string')
s.str.cat(s2,na_rep='*')
结果:
0 ab*
1 *a
2 db
dtype: string
三、替换
广义上的替换,就是指str.replace函数的应用,fillna是针对缺失值的替换,上一章已经提及
提到替换,就不可避免地接触到正则表达式,可参考我的另一篇博客:
python详解正则表达式
1. str.replace的常见用法
第一个值写r开头的正则表达式,后一个写替换的字符串
s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 'CABA', 'dog', 'cat'],dtype="string")
s.str.replace(r'^[AB]','***')
结果:
0 ***
1 ***
2 C
3 ***aba
4 ***aca
5
6
7 CABA
8 dog
9 cat
dtype: string
2. 子组与函数替换
通过正整数调用子组(0返回字符本身,从1开始才是子组)
s.str.replace(r'([ABC])(\w+)',lambda x:x.group(2)[1:]+'*')
结果:
0 A
1 B
2 C
3 ba*
4 ca*
5
6
7 BA*
8 dog
9 cat
dtype: string
利用?P<…>表达式可以对子组命名调用
s.str.replace(r'(?P<one>[ABC])(?P<two>\w+)',lambda x:x.group('two')[1:]+'*')
结果:
0 A
1 B
2 C
3 ba*
4 ca*
5
6
7 BA*
8 dog
9 cat
dtype: string
3. 关于str.replace的注意事项
首先,要明确str.replace和replace并不是一个东西:
str.replace针对的是object类型或string类型,默认是以正则表达式为操作,目前暂时不支持DataFrame上使用
replace针对的是任意类型的序列或数据框,如果要以正则表达式替换,需要设置regex=True,该方法通过字典可支持多列替换
但现在由于string类型的初步引入,用法上出现了一些问题,这些issue有望在以后的版本中修复
(a)str.replace赋值参数不得为pd.NA
这听上去非常不合理,例如对满足某些正则条件的字符串替换为缺失值,直接更改为缺失值在当下版本就会报错
#pd.Series([‘A’,‘B’],dtype=‘string’).str.replace(r’[A]’,pd.NA) #报错
#pd.Series([‘A’,‘B’],dtype=‘O’).str.replace(r’[A]’,pd.NA) #报错
此时,可以先转为object类型再转换回来,曲线救国:
pd.Series(['A','B'],dtype='string').astype('O').replace(r'[A]',pd.NA,regex=True).astype('string')
结果:
0
1 B
dtype: string
pd.Series(['A','B'],dtype='string').replace(r'[A]','C',regex=True)
结果:
0 A
1 B
dtype: string
pd.Series(['A','B'],dtype='O').replace(r'[A]','C',regex=True)
结果:
0 C
1 B
dtype: object
(c)string类型序列如果存在缺失值,不能使用replace替换
pd.Series(['A',np.nan],dtype='string').str.replace('A','B')
结果:
0 B
1
dtype: string
综上,概况的说,除非需要赋值元素为缺失值(转为object再转回来),否则请使用str.replace方法
四、子串匹配与提取
1. str.extract方法
(a)常见用法
pd.Series(['10-87', '10-88', '10-89'],dtype="string").str.extract(r'([\d]{2})-([\d]{2})')
结果:
| | 0 | 1 |
|0–|-10-|87 |
|1 |10 |88 |
|2 |10 |89 |
使用子组名作为列名
pd.Series(['10-87', '10-88', '-89'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})'
利用?正则标记选择部分提取
],dtype="string").str.extract(r'(?P<name_1>[\d]{2})?-(?P<name_2>[\d]{2})')
pd.Series(['10-87', '10-88', '10-'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})?')
(b)expand参数(默认为True)
对于一个子组的Series,如果expand设置为False,则返回Series,若大于一个子组,则expand参数无效,全部返回DataFrame
对于一个子组的Index,如果expand设置为False,则返回提取后的Index,若大于一个子组且expand为False,报错
s = pd.Series(["a1", "b2", "c3"], ["A11", "B22", "C33"], dtype="string")
s.index
结果:
Index([‘A11’, ‘B22’, ‘C33’], dtype=‘object’)
s.str.extract(r'([\w])')
| |0 |
|A11|a|
|B22 | b |
|C33 | c |
s.str.extract(r'([\w])',expand=False)
结果:
A11 a
B22 b
C33 c
dtype: string
2. str.extractall方法
与extract只匹配第一个符合条件的表达式不同,extractall会找出所有符合条件的字符串,并建立多级索引(即使只找到一个)
s = pd.Series(["a1a2", "b1", "c1"], index=["A", "B", "C"],dtype="string")
two_groups = '(?P<letter>[a-z])(?P<digit>[0-9])'
s.str.extract(two_groups, expand=True)
s.str.extractall(two_groups)
3. str.contains和str.match
前者的作用为检测是否包含某种正则模式
pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains(r'[0-9][a-z]')
结果:
0 False
1
2 True
3 True
4 True
dtype: boolean
五、常用字符串方法
1. 过滤型方法
(a)str.strip
常用于过滤空格
pd.Series(list('abc'),index=[' space1 ','space2 ',' space3'],dtype="string").index.str.strip()
结果:
Index([‘space1’, ‘space2’, ‘space3’], dtype=‘object’)
(b)str.lower和str.upper
表示字母大小写
(c)str.swapcase和str.capitalize
分别表示交换字母大小写和大写首字母
2. isnumeric方法
检查每一位是否都是数字
pd.Series(['1.2','1','-0.3','a',np.nan],dtype="string").str.isnumeric()
结果:
0 False
1 True
2 False
3 False
4
dtype: boolean
更多推荐
pandas详解文本数据
发布评论