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

最新推荐文章于 2025-07-31 00:37:22 发布

原创

最新推荐文章于 2025-07-31 00:37:22 发布 · 9.6k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#replace() #re.sub() #乱码字符 #数据清洗 #正则表达式

本文介绍了如何使用Python的replace()和re.sub()函数去除数据中的乱码字符，以及如何通过正则表达式提取字符串中的中文字符和数字。针对乱码符号种类较少的情况，可以使用replace()直接替换；对于多种乱码，利用re.sub()配合正则表达式进行清洗。同时，文章还讲解了如何提取中文字符和中文字符与数字的组合。

1.乱码符号种类较少，用replace()

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