正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码

目录

1.乱码符号种类较少，用replace()

2.乱码字符种类较多，用re.sub()

3.提取字符串中的中文字符

4.提取字符串中的中文字符和数字

5.提取其他

---

数据清洗的时候一大烦恼就是数据中总有各种乱码字符，比如！@#￥%……&——+*（）{}：“》《？|【】‘；/。，、-=

去掉这些很简单：

1.乱码符号种类较少，用replace()

如果只是很少类型的乱码符号，可以使用replace来替换掉，由于我们只是针对字符串中个别字符进行替换，因此使用str.replace("#","")即可；

#只有一类乱码字符串
df['name'] = df['name'].str.replace("#","")


#连续多个字符一起替换
df['name'] = df['name'].str.replace("#","").str.replace("&","").str.replace("*","")

2.乱码字符种类较多，用re.sub()

import re
string = "北京大学beijing985大学@#￥……&{}*@$%）..+_)(	"
string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])","",string)
print(string_code )


#输出：北京大学beijing985大学

这种方法的清洗，我们使用的其实是正则表达式，上述方法是提取了字符串中的中英文和数字，当然你也可以直提取中文，不同字符对应的 unicode 范围如下所示：

函数	说明
sub(pattern,repl,string)	把字符串中的所有匹配表达式pattern中的地方替换成repl
[^**]	表示不匹配此字符集中的任何一个字符
\u4e00-\u9fa5	汉字的unicode范围
\u0030-\u0039	数字的unicode范围
\u0041-\u005a	大写字母unicode范围
\u0061-\u007a	小写字母unicode范围

 

3.提取字符串中的中文字符

import re
string = "北京大学beijing985大学@#￥……&{}*@$%）..+_)(	"

#提取中文字符
string_code = re.sub(u"([^\u4e00-\u9fa5])","",string)
print(string_code )

#输出：北京大学大学

4.提取字符串中的中文字符和数字

import re
string = "北京大学beijing985大学@#￥……&{}*@$%）..+_)(	"

#提取中文字符和数字
string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",string)
print(string_code )

#输出：北京大学985大学

5.提取其他

至于提取其他字符，可以根据正则表达式的 unicode 范围，并参照上述三个例子敲代码。