Pandas数据分析18——pandas文本处理

参考书目：《深入浅出Pandas：利用Python进行数据处理与分析》

pandas对文本数据也有很多便捷处理方法，可以不用写循环，向量化操作运算速度快，还可以进行高级的正则表达式，各种复杂的逻辑筛选和匹配提取信息。对于机器学习来说，从文本中做特征工程很是很有用的。

还是先导入包，读取案例数据

import numpy as np import pandas as pd data = 'https://www.gairuo.com/file/data/dataset/team.xlsx'df = pd.read_excel(data) 

文本数据类型

#object 和 StringDtype 是 Pandas 的两个文本类型，不过作为新的数据类型，官方推荐 StringDtype 的使用。
#默认情况下，文本数据会被推断为 object 类型。

pd.Series(['a', 'b', 'c'])

​

#string 类型需要专门进行指定：

pd.Series(['a', 'b', 'c'], dtype="string")pd.Series(['a', 'b', 'c'], dtype=pd.StringDtype())

​

#转换,可以从其他类型转换到这两个类型：

s = pd.Series(['a', 'b', 'c'])s.astype("object") # 转换为 objects.astype("string") # 转换为 string# 类型转换，支持 string 类型df.convert_dtypes().dtypes

#推荐使用StringDtype类型取处理文本

字符操作

我们可以使用 .str. 访问器（Accessors）来对内容进行字符操作：

生成案例数据

s = pd.Series(['A', 'B', 'C', 'Aaba','Baca', np.nan, 'CABA','dog', 'cat'], dtype="string")s

​

s.str.lower()# 转为小写

​

#对于非字符类型我们可以先进行转换，再使用

# 转为 objectdf.Q1.astype(str).str# 转为 StringDtypedf.team.astype("string").strdf.Q1.astype(str).astype("string").str

​

#.str后要展示数据要进行分割

#.str后要展示数据要进行分割df.team.astype("string").str.strip()#等价于df.team.astype("string")

​

# 对索引进行操作

df.index.str.lower()# 对表头，列名进行操作df.columns.str.lower()df.columns.str.strip()     #相当于df.columns#如果对数据连续进行字符操作，则每个操作都要使用 .str 方法：df.columns.str.strip().str.lower().str.replace('q', '_')

​

文本格式

格式转化

#格式转换s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])s.str.lower() # 转为小写s.str.upper() # 转为大写s.str.title() # 标题格式，每个单词大写s.str.capitalize() # 首字母大写s.str.swapcase() # 大小写互换s.str.casefold() # 转为小写，支持其他语言如德语

​

文本对齐

类似字符串的格式化，可以填充或者对齐

# 居中对齐，宽度为10，用 - 填充s.str.center(10, fillchar='-')# 左对齐s.str.ljust(10, fillchar='-')# 右对齐s.str.rjust(10, fillchar='-')

​

# 指定宽度，填充内容对齐方式，填充内容

# side{‘left’, ‘right’, ‘both’}, default ‘left’s.str.pad(width=10, side='left', fillchar='-')# 填充对齐s.str.zfill(10) # 生成字符，不足10位的前边加0

​

文本计数和编码

# 指定字母的数量s.str.count('a')# 支持正则，包含 abc 三个字母的总数s.str.count(r'a|b|c')# 字符长度s.str.len()

​

# 编码s.str.encode('utf-8')# 解码s.str.decode('utf-8')# 字符串的Unicode普通格式# form{‘NFC’, ‘NFKC’, ‘NFD’, ‘NFKD’}s.str.normalize('NFC')

​

格式判断

#类别判断,以下方法可以判断文本的相关格式：

# 检查字母和数字字符s.str.isalpha() # 是否纯英文数字单词组成s.str.isalnum() # 是否单词、数字或者它们组合形式组成

# 请注意，对于字母数字检查，针对混合了任何额外标点或空格的字符的检查将计算为 False

s.str.isdecimal() # 是否数字 0-9 组成合规10进制数字s.str.isdigit() # 同 但可识别 unicode中的上标和下标数字s.str.isnumeric() # 是否可识别为一个数字，同 isdigit 可识别分数s.str.isdecimal()  #是否为小数s.str.isspace() # 是否空格s.str.islower() # 是否小写s.str.isupper() # 是否大写s.str.istitle() # 是否标题格式，只有第一个字母大写

# wrap将长文本拆分开指定宽度的字符，用换行连接

s.str.wrap(10) 

文本高级处理

文本分割

#对内容中的下划线进行了分隔，分隔后每个内容都成为了一个列表，其中对空值是不起作用的。s2 = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")s2.str.split('_')

#分隔后可以使用 get 或者 [] 来取出相应内容，不过 [] 是列表切片操作更加灵活，不仅可以取出单个内容，也可以取出多个内容组成的片断。
# 取出每行第二个，列表索引从 0 开始

s2.str.split('_').str[1]

# get 只能传一个值s2.str.split('_').str.get(1)

# [] 可以使用切片操作

s2.str.split('_').str[1:3]s2.str.split('_').str[:-2]# 如果不指定分隔符，会按空格进行分隔s2.str.split()# 限制分隔的次数，从左开始，剩余的不分隔s2.str.split(n=2)

##字符展开,使用 split 可以将分隔后的数据展开形成新的行内容。

s2.str.split('_', expand=True)

# 指定展开列数，n 为切片右值

s2.str.split('_', expand=True, n=1)

#rsplit 和 split一样，只不过它是从右边开始分隔，如果没有n参数，rsplit和split的输出是相同的。

s2.str.rsplit('_', expand=True, n=1)

#使用正则，对于规则比较复杂的，分隔符处可以传入正则表达式：

s = pd.Series(["1+1=2"])s.str.split(r"\+|=", expand=True)

文本切片选择 slice

#可以使用 .str.slice() 将指定的内容切除掉，不过还是推荐使用 s.str[]来实现，这样和Python字符串列表操作是一样的

s = pd.Series(["koala", "fox", "chameleon"])s.str.slice() # 不做任何事s.str.slice(1) # 切掉第一个字符s.str.slice(start=1) #同上

其他参数用法

# 切除最后一个以前的，留下最后一个s.str.slice(start=-1) # s.str[-1]# 切除第二位以后的s.str.slice(stop=2) # s.str[:2]# 切除步长为2的内容s.str.slice(step=2) # s.str[::2]# 切除从开头开始，第4位以后并且步长在3的内容# 同 s.str[0:5:3]s.str.slice(start=0, stop=5, step=3)

划分 partition

#.str.partition可以将文本按分隔符号划分为三个部分，形成一个新的 DataFrame或者相关数据类型。

s = pd.Series(['Linda van der Berg', 'George Pitt-Rivers'])s.str.partition()

其他

# 从右开始划分s.str.rpartition()# 指定符号s.str.partition('-')# 划分为一个元组列s.str.partition('-', expand=False)# 对索引进行划分idx = pd.Index(['X 123', 'Y 999'])idx.str.rpartition()      

文本替换

s = pd.Series(['12', '-$10', '$10,000'], dtype="string")s.str.replace('$', '')

s.str.replace(r'$|,', '')#逗号也替换

#如果我们替换 -$ 则发现不起作用，是因为替换字符默认是支持正则的（可以使用 regex=False 不支持），可以进行转义来实现。

s.str.replace('-$', '') # 不起作用s.str.replace(r'-\$', '-') # 进行转义后正常

指定位置替换

#slice_replace 可以将保留选定内容，剩余内容进行替换：

s = pd.Series(['a', 'ab', 'abc', 'abdc', 'abcde'])# 保留第一个，其他的替换或者追加 Xs.str.slice_replace(1, repl='X')

# 指定位置前删除并用 X 替换

s.str.slice_replace(stop=2, repl='X')

# 指定区间的内容被替换

s.str.slice_replace(start=1, stop=3, repl='X')

重复替换

# 对整体重复两次pd.Series(['a', 'b', 'c']).repeat(repeats=2)# 对每个行内的内容重复两次pd.Series(['a', 'b', 'c']).str.repeat(repeats=2)# 指定每行重复几次pd.Series(['a', 'b', 'c']).str.repeat(repeats=[1, 2, 3])

文本连接

#方法 s.str.cat 可以做文本连接的功能，下面介绍如何将序列的文本或者两个文本序列连接在一起的方法。

#自身的连接s = pd.Series(['a', 'b', 'c', 'd'], dtype="string")s.str.cat(sep=',')# 'a,b,c,d's.str.cat()

#对空值的处理：

t = pd.Series(['a', 'b', np.nan, 'd'], dtype="string")t.str.cat(sep=',')#'a,b,d't.str.cat(sep=',', na_rep='-')

#指定列表序列连接

s.str.cat(['A', 'B', 'C', 'D'])

s.str.cat(t, na_rep='-')#空值处理

#当然我们也可以使用 pd.concat 来进行链接两个序列:

d = pd.concat([t, s], axis=1)'''010aa1bb2c3dd'''# 两次连接s.str.cat(d, na_rep='-')

#文本连接的对齐方式：

u = pd.Series(['b', 'd', 'a', 'c'],              index=[1, 3, 0, 2],              dtype="string")# 以左边索的为主s.str.cat(u)s.str.cat(u, join='left')# 以右边的索引为主s.str.cat(u, join='right')# 其他s.str.cat(t, join='outer', na_rep='-')s.str.cat(t, join='inner', na_rep='-')

文本查询

#查询 findall

s = pd.Series(['Lion', 'Monkey', 'Rabbit'])s.str.findall('Monkey')'''0          []1    [Monkey]2          []dtype: object'''# 大小写敏感，不会查出内容s.str.findall('MONKEY')

s.str.findall('on')   #包含on

#利用正则查询和给定文本相同的内容：

# 忽略大小写import res.str.findall('MONKEY', flags=re.IGNORECASE)# 以 on 结尾s.str.findall('on$')# 包含多个的会形成一个列表s.str.findall('b')

#可以使用str.find匹配返回匹配结果的位置（从0开始），-1为不匹配：

s.str.find('Monkey')

s.str.find('on')       #此外，还有 .str.rfind，是从右开始匹配。

文本包含

#包含 contains
#判断字符是否有包含关系，经常用在数据筛选中。它默认是支持正则的，如果不需要可以关掉。na=nan 可以指定

s1 = pd.Series(['Mouse', 'dog', 'house and parrot', '23', np.NaN])s1.str.contains('og', regex=False)

#可以用在数据查询筛选中：

# 名字包含 A 字母df.loc[df.name.str.contains('A')]# 包含 A 或者 Cdf.loc[df.name.str.contains('A|C')]# 忽略大小写import redf.loc[df.name.str.contains('A|C', flags=re.IGNORECASE)]# 包含数字df.loc[df.name.str.contains('\d')]

另外，.str.startswith 和 .str.endswith 还可以指定开头还是结尾包含：

s = pd.Series(['bat', 'Bear', 'cat', np.nan])s.str.startswith('b')# 对空值的处理s.str.startswith('b', na=False)s.str.endswith('t')s.str.endswith('t', na=False)

文本匹配

#匹配 match，确定每个字符串是否与正则表达式匹配。pd.Series(['1', '2', '3a', '3b', '03c'], dtype="string").str.match(r'[0-9][a-z]')

文本提取

#提取 extract， .str.extract 可以利用正则将文本中的数据提取出来形成单独的列，下列中正则将文本分为两部分，
#第一部分匹配 ab 三个字母，第二位匹配数字，最终得这两列，c3 由于无法匹配，最终得到两列空值。

s=pd.Series(['a1', 'b2', 'c3'],dtype="string")s.str .extract(r'([ab])(\d)', expand=True)

#expand 参数如果为真则返回一个 DataFrame，不管是一列还是多列，为假时只有一列时才会返回一个 Series/Index。

s.str.extract(r'([ab])" />#3是数值，匹配上了
 
# 取正则组的命名为列名s.str.extract(r'(?P[ab])(?P\d)')
#匹配全部，会将一个文本中所有符合规则的匹配出来，最终形成一个多层索引数据：
s = pd.Series(["a1a2", "b1b7", "c1"],index=["A", "B", "C"], dtype="string")two_groups = '(" />
 
s.str.extractall(two_groups)
提取虚拟变量
#可以从字符串列中提取虚拟变量。 例如用“ |”分隔：
s = pd.Series(['a', 'a|b', np.nan, 'a|c'], dtype="string")s.str.get_dummies(sep='|')
#也可以对索引进行这种操作：
idx = pd.Index(['a', 'a|b', np.nan, 'a|c'])idx.str.get_dummies(sep='|')