Pandas 文本数据处理

毋庸置疑，Pandas是使用最广泛的 Python 库之一，它提供了许多功能和方法来执行有效的数据处理和数据分析。

我们平时的操作，大多围绕着数字的处理，这是因为大家习惯将表格数据与数字联系起来。然而我们无论是使用Excel还是Pandas，其实都离不开文本类型的数据。

今天，我们会通过一个例子，总结这些常用的Pandas处理文本数据的操作。

首先，先创建一个带有模拟数据的DataFrame。

import pandas as pd
df = pd.DataFrame({
   "姓": ["王","仲","宝", "王", "朱"],
   "名": ["玉环","觅晴","清俊", "鸿博", "小五"],
   "户籍地址": ["黑龙江省·哈尔滨市", "黑龙江省·哈尔滨市", "黑龙江省·佳木斯市", "广西·柳州市", "湖北省·武汉市"],
   "微信": ["Tomout", "Sm857", "Adamshffhhjfj", "Tull88", "ZPW505"],
   "邮箱": ["tom02@163.com", "smitt@163.com", "adams@163.com", "tull03@163.com", "five@163.com"]
})
df

一共五列文本数据：姓、名、户籍地址、微信id、邮箱地址。

讲个冷知识：微信id是不区分大小写的。

如果将微信id这列的文本数据，全部转换为小写，在Pandas中可以这样操作。

df["微信"] = df["微信"].str.lower()
df

我们可以通过组合姓氏和名字，来创建姓名这列。

df["姓名"] = df["姓"] + df["名"]
df

但是在默认情况下，新列会被添加在末尾。

想要更多的自定义选择，可以参考下面的代码。既可以在特定位置插入创建新列，也可以使用 cat 方法组合字符串（此处还可设置分隔符sep，这里并未设置）。

df.insert(2, 
          "姓名", 
          df["姓"].str.cat(df["名"], sep=""))
df

对字符串的一个常见操作是拆分，当文本数据包含多条信息时，它就派上用场啦。

例如，户籍地址这列包括省份和城市，我们可以通过拆分此列来提取城市的信息。

df["城市"] = df["户籍地址"].str.split("·", expand=True)[1]
df

对字符串的另一个常见操作是筛选过滤，那么在Pandas中如何操作呢？

如果想筛选“王”字开头的姓名，既可以直接筛选 姓 这一列，也可以使用startswith()来过滤。

startswith() 和endswith() 这两个函数，是分别基于字符串的第一个或最后一个字母进行筛选。

df[df["姓名"].str.startswith("王")]

注意：startswith() 和endswith() 这两个函数，还可以通过设置参数，既能检测多个字符，又能设置字符串检测的起始和结束位置。

如果想直接筛选包含特定字符的字符串，可以使用contains()这个方法。

例如，筛选户籍地址列中包含“黑龙江”这个字符的所有行。

df[df["户籍地址"].str.contains("黑龙江")]

replace()方法可用于替换字符串中的字符序列，通过该方法可以修改Pandas中的文本数据。

df["户籍地址"] = df["户籍地址"].str.replace("广西", "广西壮族自治区")
df

最后，我们还可以使用字符串的索引。

例如，我们可以用“str[:5]”表达式选择前8个字符，用“str[-8:]”选择后8个字符。

df["邮箱"].str[:5]
df["邮箱"].str[-8:]

本文已经罗列了在Pandas中比较常用文本数据处理操作，欢迎大家在评论区补充！

●分析师最常用的10大分析方法。
●品牌知名度分析实例

在看支持 👇