Pandas进阶：文本处理
引言
文本的主要两个类型是string和object。如果不特殊指定类型为string，文本类型一般为object。
文本的操作主要是通过访问器str 来实现的，功能十分强大，但使用前需要注意以下几点。
-
访问器只能对
Series数据结构使用。 除了常规列变量df.col以外，也可以对索引类型df.Index和df.columns使用 -
确保访问的对象类型是字符串
str类型。 如果不是需要先astype(str)转换类型，否则会报错 -
访问器可以多个连接使用。 如
df.col.str.lower().str.upper()，这个和Dataframe中的一行操作是一个原理
下面正式介绍文本的各种骚操作，基本可以涵盖日常95%的数据清洗需要了，一共 8 个场景。
以下操作均基于下面的数据：
import pandas as pd
import numpy as np
df = pd.DataFrame({'name':['jordon', 'MIKE', 'Kelvin', 'xiaoLi', 'qiqi','Amei'],
'Age':[18, 30, 45, 23, 45, 62],
'level':['high','Low','M','L','middle',np.nan],
'Email':['[email protected]','[email protected]','[email protected]','[email protected]',np.nan,'[email protected]']})
--------------------------------------------
name Age level Email
0 jordon 18 high [email protected]
1 MIKE 30 Low [email protected]
2 Kelvin 45 M [email protected]
3 xiaoLi 23 L [email protected]
4 qiqi 45 middle NaN
5 Amei 62 NaN [email protected]1、文本格式
大小写变换
# 字符全部变成小写
s.str.lower()
# 字符全部大写
s.str.upper()
# 每个单词首字母大写
s.str.title()
# 字符串第一个字母大写
s.str.capitalize()
# 大小写字母转换
s.str.swapcase()上面用法都比较简单，不逐一举例，这里举一个对columns变成小写的例子。
df.columns.str.lower()
--------------------------------------------------------
Index(['name', 'age', 'level', 'email'], dtype='object')格式判断
下面均为判断操作，因此返回布尔值。
s.str.isalpha # 是否为字母
s.str.isnumeric # 是否为数字0-9
s.str.isalnum # 是否由字母和数字组成
s.str.isupper # 是否为大写
s.str.islower # 是否为小写
s.str.isdigit # 是否为数字对齐
# 居中对齐，宽度为8，其余用’*’填充
s.str.center(, fillchar='*')
# 左对齐，宽度为8，其余用’*’填充
s.str.ljust(8, fillchar='*')
# 右对齐，宽度为8，其余用’*’填充
s.str.rjust(8, fillchar='*')
# 自定义对齐方式，参数可调整宽度、对齐方向、填充字符
s.str.pad(width=8, side='both',fillchar='*')
# 举例
df.name.str.center(8, fillchar='*')
-------------
0 *jordon*
1 **MIKE**
2 *Kelvin*
3 *xiaoLi*
4 **qiqi**
5 **Amei**
计数和编码
s.str.count('b') # 字符串种包括指定字母的数量
s.str.len() # 字符串长度
s.str.encode('utf-8') # 字符编码
s.str.decode('utf-8') # 字符解码
2、文本拆分
通过使用split方法可以某个指定的字符作为分割点拆分文本。其中，expand参数可以让拆分的内容展开，形成单独的列，n参数可以指定拆分的位置来控制形成几列。
下面将email变量按照@进行拆分。
# 使用方法
s.str.split('x', expand=True, n=1)
# 举例
df.Email.str.split('@')
----------------------------
0 [jordon, sohu.com]
1 [Mike, 126.cn]
2 [KelvinChai, gmail.com]
3 [xiaoli, 163.com]
4 NaN
5 [amei, qq.com]
# expand可以让拆分的内容扩展成单独一列
df.Email.str.split('@' ,expand=True)
----------------------------
0 1
0 jordon sohu.com
1 Mike 126.cn
2 KelvinChai gmail.com
3 xiaoli 163.com
4 NaN NaN
5 amei qq.com
更复杂的拆分可以借助正则表达式，比如想同时通过@和.进行拆分，那么可以这样实现。
df.Email.str.split('\@|\.',expand=True)
----------------------------
0 1 2
0 jordon sohu com
1 Mike 126 cn
2 KelvinChai gmail com
3 xiaoli 163 com
4 NaN NaN NaN
5 amei qq com
3、文本替换
文本替换有几种方法：replace，slice_replace，repeat
replace替换
replace方法是最常用的替换方法，参数如下：
-
pal：为被替代的内容字符串，也可以为正则表达式 -
repl：为新内容字符串，也可以是一个被调用的函数 -
regex：用于设置是否支持正则，默认是True
# 将email种的com都替换为cn
df.Email.str.replace('com','cn')
------------------------
0 [email protected]
1 [email protected]
2 [email protected]
3 [email protected]
4 NaN
5 [email protected]
更复杂一点的，比如将旧内容写成正则表达式。
#将@之前的名字都替换成xxx
df.Email.str.replace('(.*?)@','xxx@')
------------------
0 [email protected]
1 [email protected]
2 [email protected]
3 [email protected]
4 NaN
5 [email protected]
或者将新内容写成被调用的函数。
df.Email.str.replace('(.*?)@', lambda x:x.group().upper())
-------------------------
0 [email protected]
1 [email protected]
2 [email protected]
3 [email protected]
4 NaN
5 [email protected]
切片替换
slice_replace通过切片的方式实现替换，通过切片可以保留或者删除指定的字符，参数如下。
-
start：起始位置 -
stop：结束位置 -
repl：要替换用的新内容
对start切片位置之后和stop切片位置之前进行替换，如果没有设置stop，那么start之后全部进行替换，同理如果没设置start，那么stop之前全部进行替换。
df.Email.str.slice_replace(start=1,stop=2,repl='XX')
-------------------------
0 [email protected]
1 [email protected]
2 [email protected]
3 [email protected]
4 NaN
5 [email protected]
重复替换
repeat可以实现重复替换的功能，参数repeats设置重复的次数。
df.name.str.repeat(repeats=2)
-------------------------
0 jordonjordon
1 MIKEMIKE
2 KelvinKelvin
3 xiaoLixiaoLi
4 qiqiqiqi
5 AmeiAmei
4、文本拼接
文本拼接通过cat方法实现，参数：
-
others: 需要拼接的序列，如果为None不设置，就会自动把当前序列拼接为一个字符串 -
sep: 拼接用的分隔符 -
na_rep: 默认不对空值处理，这里设置空值的替换字符。 -
join: 拼接的方向，包括left,right,outer,inner，默认为left
主要有以下几种拼接方式。
1. 将单个序列拼接为一个完整字符串
如上所述，当没有设置ohters参数时，该方法会将当前序列合并为一个新的字符串。
df.name.str.cat()
-------------------------------
'jordonMIKEKelvinxiaoLiqiqiAmei'
# 设置sep分隔符为`-`
df.name.str.cat(sep='-')
-------------------------------
'jordon-MIKE-Kelvin-xiaoLi-qiqi-Amei'
# 将缺失值赋值为`*`
df.level.str.cat(sep='-',na_rep='*')
-----------------------
'high-Low-M-L-middle-*'
2. 拼接序列和其他类列表型对象为新的序列
下面先将name列和*列拼接，再将level列拼接，形成一个新的序列。
# str.cat多级连接实现多列拼接
df.name.str.cat(['*']*6).str.cat(df.level)
----------------
0 jordon*high
1 MIKE*Low
2 Kelvin*M
3 xiaoLi*L
4 qiqi*middle
5 NaN
# 也可以直接多列拼接
df.name.str.cat([df.level,df.Email],na_rep='*')
--------------------------------
0 [email protected]
1 [email protected]
2 [email protected]
3 [email protected]
4 qiqimiddle*
5 Amei*[email protected]
将一个序列与多个对象拼接为一个新的序列
5、文本提取
文本提取主要通过extract来实现的。
extract参数：
-
pat: 通过正则表达式实现一个提取的pattern -
flags: 正则库re中的标识，比如re.IGNORECASE -
expand: 当正则只提取一个内容时，如果expand=True会展开返回一个DataFrame，否则返回一个Series
# 提取email中的两个内容
df.Email.str.extract(pat='(.*?)@(.*).com')
--------------------
0 1
0 jordon sohu
1 vMike NaN
2 KelvinChai gmail
3 xiaoli 163
4 NaN NaN
5 amei qq
6、文本查询
通过find和findall两个方法实现。
find 参数很简单，直接输入要查询的字符串即可，返回在原字符串中的位置，没查询到结果返回-1。
df['@position'] = df.Email.str.find('@')
df[['Email','@position']]
-------------------------------------
Email @position
0 [email protected] 6.0
1 [email protected] 4.0
2 [email protected] 10.0
3 [email protected] 6.0
4 NaN NaN
5 [email protected] 4.0
上面示例返回@在email变量中的位置。
另外一个查找方法是findall
findall参数：
-
pat: 要查找的内容，支持正则表达式 -
flag: 正则库re中的标识，比如re.IGNORECASE
findall和find的区别是支持正则表达式，并返回具体内容。这个方法有点类似extract，也可以用于提取，但不如extract方便。
df.Email.str.findall('(.*?)@(.*).com')
--------------------------
0 [(jordon, sohu)]
1 []
2 [(KelvinChai, gmail)]
3 [(xiaoli, 163)]
4 NaN
5 [(amei, qq)]
上面示例返回正则查找的两个部分，并以元组列表的形式出现。
7、文本包含
文本包含通过contains方法实现，返回布尔值，一般和loc查询功能配合使用，参数：
-
pat: 匹配字符串，支持正则表达式 -
case: 是否区分大小写，True表示区别 -
flags: 正则库re中的标识，比如re.IGNORECASE -
na: 对缺失值填充 -
regex: 是否支持正则，默认True支持
df.Email.str.contains('jordon|com',na='*')
----------
0 True
1 False
2 True
3 True
4 *
5 True
#
df.loc[df.Email.str.contains('jordon|com', na=False)]
------------------------------------------
name Age level Email @position
0 jordon 18 high [email protected] 6.0
2 Kelvin 45 M [email protected] 10.0
3 xiaoLi 23 L [email protected] 6.0
5 Amei 62 NaN [email protected] 4.0
这里需要注意一下，如果和loc配合使用，注意不能有缺失值，否则会报错。可以通过设置na=False忽略缺失值完成查询。
8、文本的虚拟变量
get_dummies可以将一个列变量自动生成虚拟变量（哑变量），这种方法在特征衍生中经常使用。
df.name.str.get_dummies()
-------------------------------
Amei Kelvin MIKE jordon qiqi xiaoLi
0 0 0 0 1 0 0
1 0 0 1 0 0 0
2 0 1 0 0 0 0
3 0 0 0 0 0 1
4 0 0 0 0 1 0
5 1 0 0 0 0 0