【Python】Pandas处理字符串方法汇总

公众号：尤而小屋
作者：Peter
编辑：Peter

本文给大家介绍的是如何使用Pandas来操作字符串数据。

字符串是一种常见的数据类型，我们遇到的文本、json数据等都是属于字符串的范畴。Python内置了很多处理字符串的方法，这些方法为我们处理和清洗数据提供了很大的便利。

python内置方法

# 1、自定义字符串

x = "hello python!"
x

'hello python!'

查看x的类型：

type(x)  # str类型

str

# 2、字符串拼接

y = x + " hello pandas!"  # 拼接x和hello pandas!  赋值给y
y

'hello python! hello pandas!'

# 3、字符串大小写转化

y_upper = y.upper()
y_upper

'HELLO PYTHON! HELLO PANDAS!'

y_lower = y_upper.lower()
y_lower

'hello python! hello pandas!'

# 4、字符串替换

y.replace('p','P')  # 小写p用大写P替换

'hello Python! hello Pandas!'

# 5、字符串切割

y.split(" ")  # 返回的是列表形式；里面就是切割后的每个元素

['hello', 'python!', 'hello', 'pandas!']

# 6、字符串去除空白

"".join(y.split())

'hellopython!hellopandas!'

# 7、包含与否

"m" in y

False

"p" in y

True

还可以正则模块re来处理字符串相关的问题(不展开)。

Python内置的字符串处理方法只能处理一个字符串，如果想要同时处理，可以使用：

• for循环，通过遍历列表来实现

• python列表推导式来实现

a = ["python","java","c"]
a

['python', 'java', 'c']

# 遍历循环实现

for i in a:
    print(f"The lenght of {i}: ", len(i))

The lenght of python:  6
The lenght of java:  4
The lenght of c:  1

# 列表推导式

[len(i) for i in a]

[6, 4, 1]

但是python内置的方法存在一个问题，不能处理缺失值：

b = ["python","java","c", None]  # 存在缺失值
b

['python', 'java', 'c', None]

# [len(i) for i in b]    # 运行报错

Pandas字符串类型

Pandas中存在两种字符串类型：ObjectDtype类型和StringDtype类型。关于StringDtype类型，官方有说明：

StringDtype is considered experimental. The implementation and parts of the API may change without warning.

中文翻译过来就是：StringDtype类型是实验性的。它的实现和部分API功能可能在未告知的情况下删除。

import pandas as pd

Pandas改变Object数据类型

Object类型是我们在pandas中常用的字符串类型。

astype指定类型

s = pd.Series(['a','b','c',None])
s

0       a
1       b
2       c
3    None
dtype: object

上面表示的是Pandas中字符或者字符与其他类型(案例是None)的混合类型。

s.dtype

dtype('O')

s1 = s.astype("string")  # 通过astype强制转化成string

s1

0       a
1       b
2       c
3    
dtype: string

上面表示的是pandas的“纯“字符类型”。

s1.dtype

string[python]

在创建Series的时候可以直接指定数据类型：

s2 = pd.Series(['a','b','c',None], dtype='string')
s2

0       a
1       b
2       c
3    
dtype: string

s2.dtype

string[python]

convert_dtypes转化数据类型

df = pd.DataFrame(['1','2','3',None],
                 columns=['A'])
df

	A
0	1
1	2
2	3
3	None

df.dtypes

A    object
dtype: object

df = df.convert_dtypes()

df.dtypes

A    string
dtype: object

Pandas向量化操作字符串

使用字符串的str属性

Pandas中内置了等效python的字符串操作方法：str属性

df = pd.DataFrame(["Python Gudio 1991","Java Gosling 1990",None, "Pandas Mckinney 2008"],
                  columns=["Language"]
                 )

df

	Language
0	Python Gudio 1991
1	Java Gosling 1990
2	None
3	Pandas Mckinney 2008

改变字符串的大小写：

# 全部大写

df["Language"].str.upper()

0       PYTHON GUDIO 1991
1       JAVA GOSLING 1990
2                    None
3    PANDAS MCKINNEY 2008
Name: Language, dtype: object

# 全部小写

df["Language"].str.lower()

0       python gudio 1991
1       java gosling 1990
2                    None
3    pandas mckinney 2008
Name: Language, dtype: object

求解字符串的长度len：

# 求解长度

df["Language"].str.len()

0    17.0
1    17.0
2     NaN
3    20.0
Name: Language, dtype: float64

3、检查字符串中是否包含指定的字符：

# 包含

df["Language"].str.contains("P")

0     True
1    False
2     None
3     True
Name: Language, dtype: object

# 筛选数据
df[df["Language"].str.contains("P") == True]

	Language
0	Python Gudio 1991
3	Pandas Mckinney 2008

检查字符串是否以指定元素开始：

df["Language"].str.startswith("J")  # 是否以J开头

0    False
1     True
2     None
3    False
Name: Language, dtype: object

# 筛选数据

df[df["Language"].str.startswith("J") == True]

	Language
1	Java Gosling 1990

检查字符串是否以指定元素结尾：

df["Language"].str.endswith("8")  # 是否以8结束

0    False
1    False
2     None
3     True
Name: Language, dtype: object

df[df["Language"].str.endswith("8") == True]

	Language
3	Pandas Mckinney 2008

df

	Language
0	Python Gudio 1991
1	Java Gosling 1990
2	None
3	Pandas Mckinney 2008

查找指定元素第一次出现的位置（索引号，左边第一个）；如果字符串中不包含该字符，则返回-1：

df["Language"].str.find("a")

0   -1.0
1    1.0
2    NaN
3    1.0
Name: Language, dtype: float64

查找指定元素在最右边出现的位置；如果字符串中不包含该字符，则返回-1：

df["Language"].str.rfind("a")

0   -1.0
1    3.0
2    NaN
3    4.0
Name: Language, dtype: float64

调整字符串的整体宽度：右对齐填充

df["Language"].str.rjust(width=20)

0       Python Gudio 1991
1       Java Gosling 1990
2                    None
3    Pandas Mckinney 2008
Name: Language, dtype: object

df["Language"].str.rjust(width=30)   # 前面的空白明显增加

0                 Python Gudio 1991
1                 Java Gosling 1990
2                              None
3              Pandas Mckinney 2008
Name: Language, dtype: object

另外一个函数str.pad也可以实现;

df["Language"].str.pad(width=30)

0                 Python Gudio 1991
1                 Java Gosling 1990
2                              None
3              Pandas Mckinney 2008
Name: Language, dtype: object

右对齐，前面使用0填充到指定字符串长度：

df["Language"].str.zfill(width=20)

0    000Python Gudio 1991
1    000Java Gosling 1990
2                    None
3    Pandas Mckinney 2008
Name: Language, dtype: object

df["Language"].str.zfill(width=30)

0    0000000000000Python Gudio 1991
1    0000000000000Java Gosling 1990
2                              None
3    0000000000Pandas Mckinney 2008
Name: Language, dtype: object

字符串重复（复制）指定的次数：

df["Language"].str.repeat(repeats=2)

0          Python Gudio 1991Python Gudio 1991
1          Java Gosling 1990Java Gosling 1990
2                                        None
3    Pandas Mckinney 2008Pandas Mckinney 2008
Name: Language, dtype: object

字符串的分割split：

# 拆分

df["Language"].str.split()

0       [Python, Gudio, 1991]
1       [Java, Gosling, 1990]
2                        None
3    [Pandas, Mckinney, 2008]
Name: Language, dtype: object

拆分split和连接join的联合使用：

df["Language"].str.split().str.join("_")

0       Python_Gudio_1991
1       Java_Gosling_1990
2                    None
3    Pandas_Mckinney_2008
Name: Language, dtype: object

df["Language"].str.split().str.join("+")

0       Python+Gudio+1991
1       Java+Gosling+1990
2                    None
3    Pandas+Mckinney+2008
Name: Language, dtype: object

# 拆分 + 获取单个元素

df["Language"].str.split().str[0]  # 第1个元素

0    Python
1      Java
2      None
3    Pandas
Name: Language, dtype: object

df["Language"].str.split().str[1]  # 第二个元素

0       Gudio
1     Gosling
2        None
3    Mckinney
Name: Language, dtype: object

通过get方法来获取分割后的数据：索引从0开始

# 使用字符串的get方法

df["Language"].str.split().str.get(0)

0    Python
1      Java
2      None
3    Pandas
Name: Language, dtype: object

df["Language"].str.split().str.get(1)

0       Gudio
1     Gosling
2        None
3    Mckinney
Name: Language, dtype: object

将分割后的数据进行展开，列属性名是0,1,2......等自然数

# 使用expand参数，将返回的列表进行展开

df["Language"].str.split(" ", expand=True)

	0	1	2
0	Python	Gudio	1991
1	Java	Gosling	1990
2	None	None	None
3	Pandas	Mckinney	2008

指定最大列属性值：n=1表示分割split之后的最大列索引值为1：

df["Language"].str.split(" ", expand=True, n=1)

	0	1
0	Python	Gudio 1991
1	Java	Gosling 1990
2	None	None
3	Pandas	Mckinney 2008

字符串的正则表达式

df

	Language
0	Python Gudio 1991
1	Java Gosling 1990
2	None
3	Pandas Mckinney 2008

df["Language"].str.match("^P")  # 匹配以P开头的内容

0     True
1    False
2     None
3     True
Name: Language, dtype: object

df["Language"].str.contains("J")  # 匹配包含字母J

0    False
1     True
2     None
3    False
Name: Language, dtype: object

df["Language"].str.findall("[PJ]")  # 匹配包含字母P或者J

0     [P]
1     [J]
2    None
3     [P]
Name: Language, dtype: object

df["Language"].str.findall('\d+')  # 提取字符串中的数据部分

0    [1991]
1    [1990]
2      None
3    [2008]
Name: Language, dtype: object

df["Language"].str.findall('(.*?) ')

0       [Python, Gudio]
1       [Java, Gosling]
2                  None
3    [Pandas, Mckinney]
Name: Language, dtype: object

str.replace：正则表达式中的替换功能

# 将字母J和Python整个字符串替换成?

df["Language"].str.replace("^J|Python","?",case=False)

C:\Users\ADMINI~1\AppData\Local\Temp/ipykernel_6752/2175481212.py:1: FutureWarning: The default value of regex will change from True to False in a future version.
  df["Language"].str.replace("^J|Python","?",case=False)





0            ? Gudio 1991
1       ?ava Gosling 1990
2                    None
3    Pandas Mckinney 2008
Name: Language, dtype: object

方法汇总

1. str.len：计算字符串长度

2. str.strip：去除字符串开头和结尾处的空格（默认）

3. str.lstrip：去除字符串左边的空格（默认）或者指定字符

4. str.rtrip：去除字符串结尾处的空格（默认）或者指定字符

5. str.lower：所有字符串的字母转成小写

6. str.uppper：所有字符串的字母转成大写

7. str.find：查找字符串中指定的子字符串第一次出现的位置

8. str.rfind：查找字符串中指定的子字符串最后一次出现的位置

9. str.index：查找指定字符在字符串中第一次出现的位置（索引号）

10. str.rindex：查找指定字符在字符串中最后一次出现的位置（索引号）

11. str.capitalize：将字符串中的单词的第一个字母变成大写，其余字母为小写

12. str.isalpha：检查字符串是否只由字母组成

13. str.isdigit;检查字符串是否只由数字组成

14. str.islower：检查字符串是否只由小写字母组成

15. str.isupper：检查字符串是否只由大写字母组成

16. str.istitle：检查所有单词首字母是否大写，其他字母是否是小写组成

17. str.startswith：检查字符串是否以指定字符开始

18. str.endswith：检查字符串是否以指定字符结束

19. str.ljust：左对齐，默认使用空格填充

20. str.zfill：右对齐，前面使用0填充到指定字符串长度

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码