pandas文本操作学习-task2-优快云博客

本文链接：https://blog.youkuaiyun.com/hu_hao/article/details/106973738

pandas文本操作

1.常用文本操作
参考

1.常用文本操作

个人觉得文本操作有三种，匹配替换，匹配提取，分隔，拼接。下面依次分析。

1.1 文本替换

这里指将字符串某个模式的内容，替换为指定内容的过程。比如将字母替换为※号。在进行替换时，需要对python的正则表达式有一定了解。

定义：正则表达式是一个特殊的字符序列，它能帮助你方便的检查一个字符串是否与某种模式匹配。Python 自1.5版本起增加了re 模块，它提供 Perl 风格的正则表达式模式。re 模块使 Python 语言拥有全部的正则表达式功能。

正则表达式为一串字符串表示的，以精确匹配和模糊匹配相结合的表示形式，匹配字符串。精确匹配即用待匹配字母表达，如‘py’,模糊表达则借助转义字符‘\’加字母等符号表示，常见模糊匹配符号如下：

\w	匹配数字字母下划线
\W	匹配非数字字母下划线
\s	匹配任意空白字符，等价于 [\t\n\r\f]。
\S	匹配任意非空字符
\d	匹配任意数字，等价于 [0-9]。
\D	匹配任意非数字
\A	匹配字符串开始
\Z	匹配字符串结束，如果是存在换行，只匹配到换行前的结束字符串。
\z	匹配字符串结束
\G	匹配最后匹配完成的位置。
\b	匹配一个单词边界，也就是指单词和空格间的位置。例如， ‘er\b’ 可以匹配"never" 中的 ‘er’，但不能匹配 “verb” 中的 ‘er’
\B	匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。
\n, \t, 等	匹配一个换行符。匹配一个制表符, 等

好了，下面介绍常用方法：

str.replace的常见用法

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 
'CABA', 'dog', 'cat'],dtype="string")
0       A
1       B
2       C
3    Aaba
4    Baca
5        
6    <NA>
7    CABA
8     dog
9     cat
dtype: string
#使用***替换A或B,从头开始匹配
s.str.replace(r'^[AB]','***')
0       ***
1       ***
2         C
3    ***aba
4    ***aca
5          
6      <NA>
7      CABA
8       dog
9       cat
dtype: string

参数详解：
s.str.replace(pat, repl, n=-1, case=None, flags=0, regex=True)

pat	匹配规则，一般为正则表达式（这里的re模块不用import导入）
repl	替换内容，可以为lambda表达式
n	替换次数，默认为-1，表示全部匹配的内容都替换
case	确定替换是否区分大小写(如果为True，则区分大小写，此时“ pat”为字符串，不是正则表达式，False不区分大小写，但如果`pat`是已编译的正则表达式，则无法设置。)
flags	正则表达式模块标志，例如IGNORECASE。如果`pat`是已编译的，则无法设置正则表达式。(一般不用管)
regex	bool，默认为True确定是否假设传入的模式是正则表达式：-如果为True，则假定传入的模式为正则表达式。-如果为False，则将模式视为文字字符串

将f.替换为ba，字符串一般表示精确匹配。

>>> pd.Series(['f.o', 'fuz', np.nan]).str.replace('f.', 'ba', regex=False)
0    bao
1    fuz
2    NaN
dtype: object

str.replace与replace

首先，要明确str.replace和replace并不是一个东西：

str.replace针对的是object类型或string类型，默认是以正则表达式为操作，目前暂时不支持DataFrame上使用
replace针对的是任意类型的序列或数据框，如果要以正则表达式替换，需要设置regex=True，该方法通过字典可支持多列替换。但现在由于string类型的初步引入，用法上出现了一些问题，这些issue有望在以后的版本中修复

其他注意事项
（a）str.replace赋值参数不得为pd.NA
这听上去非常不合理，例如对满足某些正则条件的字符串替换为缺失值，直接更改为缺失值在当下版本就会报错

In [28]:
#pd.Series(['A','B'],dtype='string').str.replace(r'[A]',pd.NA) #报错
#pd.Series(['A','B'],dtype='O').str.replace(r'[A]',pd.NA) #报错
此时，可以先转为object类型再转换回来，曲线救国：
In [29]:
pd.Series(['A','B'],dtype='string').astype('O').replace(r'[A]',pd.NA,regex=True).astype('string')
Out[29]:
0    <NA>
1       B
dtype: string

（b）对于string类型Series，在使用replace函数时不能使用正则表达式替换
该bug现在还未修复

In [30]:
pd.Series(['A','B'],dtype='string').replace(r'[A]','C',regex=True)
Out[30]:
0    A
1    B
dtype: string
In [31]:
pd.Series(['A','B'],dtype='O').replace(r'[A]','C',regex=True)
Out[31]:
0    C
1    B
dtype: object

（c）string类型序列如果存在缺失值，不能使用replace替换

In [32]:
#pd.Series(['A',np.nan],dtype='string').replace('A','B') #报错
In [33]:
pd.Series(['A',np.nan],dtype='string').str.replace('A','B')
Out[33]:
0       B
1    <NA>
dtype: string

总结，除非替换值为空值，那么请用str.replace来替换。

1.2 特定字符串提取

（a） str.extract方法
pd.Series.str.extract(pat, flags=0, expand=True)

例子：

pd.Series(['10-87', '10-88', '10-89'],
dtype="string").str.extract(r'([\d]{2})-([\d]{2})')
Out[34]:
	0	1
0	10	87
1	10	88
2	10	89

这里表示提取前两个数字为一组，后两个数字为另一个组。这里需要注意正则表达式中分组的概念。粗略的说就是以括号括起来的部分，就是单独一组。
参数详解：

参数	作用
pat	具有捕获组的正则表达式模式。（带分组的正则表达式）
flags	int, default 0 (no flags) 为正则表达式的一个申明，一般可以不用管，如 `re.IGNORECASE`
expand	bool, default True，True表示是否返回DataFrame,对于一个子组的Series，如果expand设置为False，则返回Series，但结果如果大于一个子组，则expand参数无效，全部返回。

（b）str.extractall方法
与extract只匹配第一个符合条件的表达式不同，extractall会找出所有符合条件的字符串，并建立多级索引（即使只找到一个）

s = pd.Series(["a1a2", "b1", "c1"], index=["A", "B", "C"],dtype="string")
two_groups = '(?P<letter>[a-z])(?P<digit>[0-9])'
s.str.extract(two_groups, expand=True)

	letter	digit
A	a	1
B	b	1
C	c	1

s.str.extractall(two_groups)

		letter	digit
	match		
A	0	a	1
1	a	2
B	0	b	1
C	0	c	1

如果想查看第i层匹配，可使用xs方法

s = pd.Series(["a1a2", "b1b2", "c1c2"], 
index=["A", "B", "C"],dtype="string")
s.str.extractall(two_groups).xs(1,level='match')
Out[48]:
letter	digit
A	a	2
B	b	2
C	c	2

1.3 分割与拼接

str.split方法
（a）分割符与str的切片
分割：

In [6]:
s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
s
Out[6]:
0    a_b_c
1    c_d_e
2     <NA>
3    f_g_h
dtype: string
根据某一个元素分割，默认为空格

这里需要注意split后的类型是object，因为现在Series中的元素已经不是string，而包含了list，且string类型只能含有字符串
对于str方法可以进行元素的选择，如果该单元格元素是列表，那么str[i]表示取出第i个元素，如果是单个元素，则先把元素转为列表在取出。

In [8]:
s.str.split('_').str[1]
Out[8]:
0       b
1       d
2    <NA>
3       g
dtype: object
In [9]:
pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1]
#第一个元素先转为['a','_','b','_','c']
Out[9]:
0    _
1    b
dtype: object

（b）其他参数
expand参数控制了是否将列拆开，n参数代表最多分割多少次

s.str.split('_',expand=True)
0	1	2
0	a	b	c
1	c	d	e
2	<NA>	<NA>	<NA>
3	f	g	h

s.str.split('_',n=1)

0    [a, b_c]
1    [c, d_e]
2        <NA>
3    [f, g_h]
dtype: object

s.str.split('_',expand=True,n=1)
0	1
0	a	b_c
1	c	d_e
2	<NA>	<NA>
3	f	g_h

str.cat方法
（a）不同对象的拼接模式
cat方法对于不同对象的作用结果并不相同，其中的对象包括：单列、双列、多列
① 对于单个Series而言，就是指所有的元素进行字符合并为一个字符串，及一列合并为一个字符串。

s = pd.Series(['ab',None,'d'],dtype='string')
s

0      ab
1    <NA>
2       d
dtype: string

s.str.cat()

'abd'
#其中可选sep分隔符参数，和缺失值替代字符na_rep参数

s.str.cat(sep=',')

'ab,d'

s.str.cat(sep=',',na_rep='*')

'ab,*,d'

② 对于两个Series合并而言，是对应索引的元素进行合并

In [17]:
s2 = pd.Series(['24',None,None],dtype='string')
s2
Out[17]:
0      24
1    <NA>
2    <NA>
dtype: string
In [18]:
s.str.cat(s2)
Out[18]:
0    ab24
1    <NA>
2    <NA>
dtype: string
同样也有相应参数，需要注意的是两个缺失值会被同时替换
In [19]:
s.str.cat(s2,sep=',',na_rep='*')
Out[19]:
0    ab,24
1      *,*
2      d,*
dtype: string

③ 多列拼接可以分为表的拼接和多Series拼接

表的拼接
In [20]:
s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')
Out[20]:
0    ab15
1     *3b
2     d5*
dtype: string

多个Series拼接

s.str.cat([s+'0',s*2])

0    abab0abab
1         <NA>
2        dd0dd
dtype: string

（b）cat中的索引对齐
当前版本中，如果两边合并的索引不相同且未指定join参数，默认为左连接，设置join=‘left’

In [22]:
s2 = pd.Series(list('abc'),index=[1,2,3],dtype='string')
s2
Out[22]:
1    a
2    b
3    c
dtype: string
In [23]:
s.str.cat(s2,na_rep='*')
Out[23]:
0    ab*
1     *a
2     db
dtype: string