一看就會的Pandas文本數(shù)據(jù)處理
回復“書籍”即可獲贈Python從入門到進階共10本電子書
大家好，我是才哥。
日常工作中我們經(jīng)常接觸到一些文本類信息，需要從文本中解析出數(shù)據(jù)信息，然后再進行數(shù)據(jù)分析操作。
而對文本類信息進行解析是一件比較頭禿的事情，好巧，Pandas剛好對這類文本數(shù)據(jù)有比較好的處理方法，那就讓我們來一起學一學吧！
1. 文本數(shù)據(jù)類型
在pandas中存儲文本數(shù)據(jù)有兩種方式：object 和 string。在pandas 1.0版本之前，object是唯一的文本類型，在一列數(shù)據(jù)中如果包含數(shù)值和文本等混合類型則一般也會默認為object。在pandas 1.0 版本之后，新增了string文本類型，可以更好的支持字符串的處理。
1.1. 類型簡介
默認情況下，object仍然是文本數(shù)據(jù)默認的類型。
如果要采用string類型，我們可以通過dtype進行指定
在Series 或 Dataframe被創(chuàng)建后，我們還可以通過astype進行類型強制轉(zhuǎn)換
當然，我們還有個df.convert_dtypes()方法可以進行智能數(shù)據(jù)類型選擇
1.2. 類型差異
string和object在操作上有所不同。
對于sting來說，返回數(shù)字輸出的字符串訪問器方法將始終返回可為空的整數(shù)類型；對于object來說，是 int 或 float，具體取決于 NA 值的存在
對于string類型來說，返回布爾輸出的方法將返回一個可為空的布爾數(shù)據(jù)類型
2. 字符串方法
Series 和 Index 都有一些字符串處理方法，可以方便進行操作，最重要的是，這些方法會自動排除缺失/NA 值，我們可以通過str屬性訪問這些方法。
2.1. 文本格式
文本格式是對字符串文本進行格式操作，比如轉(zhuǎn)換大小寫之類的
>>> s = pd.Series(
... ["A", "B", "Aaba", "Baca", np.nan, "cat"],
... dtype="string"
... )
>>> s.str.lower() # 轉(zhuǎn)小寫
0 a
1 b
2 aaba
3 baca
4 <NA>
5 cat
dtype: string
>>> s.str.upper() # 轉(zhuǎn)大寫
0 A
1 B
2 AABA
3 BACA
4 <NA>
5 CAT
dtype: string
>>> s.str.title() # 每個單詞大寫
0 A
1 B
2 Aaba
3 Baca
4 <NA>
5 Cat
dtype: string
>>> s.str.capitalize() # 首字母大寫
0 A
1 B
2 Aaba
3 Baca
4 <NA>
5 Cat
dtype: string
>>> s.str.swapcase() # 大小寫互換
0 a
1 b
2 aABA
3 bACA
4 <NA>
5 CAT
dtype: string
>>> s.str.casefold() # 轉(zhuǎn)為小寫，支持其他語言
0 a
1 b
2 aaba
3 baca
4 <NA>
5 cat
dtype: string
2.2. 文本對齊
文本對齊是指在文本顯示的時候按照一定的規(guī)則進行對齊處理，比如左對齊、右對齊、居中等等
>>> s.str.center(10,fillchar='-') # 居中對齊，寬度為10，填充字符為'-'
0 ----A-----
1 ----B-----
2 ---Aaba---
3 ---Baca---
4 <NA>
5 ---cat----
dtype: string
>>> s.str.ljust(10,fillchar='-') # 左對齊
0 A---------
1 B---------
2 Aaba------
3 Baca------
4 <NA>
5 cat-------
dtype: string
>>> s.str.rjust(10,fillchar='-') # 右對齊
0 ---------A
1 ---------B
2 ------Aaba
3 ------Baca
4 <NA>
5 -------cat
dtype: string
>>> s.str.pad(width=10, side='left', fillchar='-') # 指定寬度，填充字符對齊方式為 left，填充字符為'-'
0 ---------A
1 ---------B
2 ------Aaba
3 ------Baca
4 <NA>
5 -------cat
dtype: string
>>> s.str.zfill(3) # 指定寬度3，不足則在前面添加0
0 00A
1 00B
2 Aaba
3 Baca
4 <NA>
5 cat
dtype: string
2.3. 計數(shù)與編碼
文本計數(shù)與內(nèi)容編碼
>>> s.str.count("a") # 字符串中指定字母的數(shù)量
0 0
1 0
2 2
3 2
4 <NA>
5 1
dtype: Int64
>>> s.str.len() # 字符串的長度
0 1
1 1
2 4
3 4
4 <NA>
5 3
dtype: Int64
>>> s.str.encode('utf-8') # 編碼
0 b'A'
1 b'B'
2 b'Aaba'
3 b'Baca'
4 <NA>
5 b'cat'
dtype: object
>>> s.str.encode('utf-8').str.decode('utf-8') # 解碼
0 A
1 B
2 Aaba
3 Baca
4 <NA>
5 cat
dtype: object
2.4. 格式判斷
格式判斷就是對字符串進行字符格式判斷，比如是不是數(shù)字，是不是字母，是不是小數(shù)等等
>>> s = pd.Series(
... ["A", "B", "Aaba", 12, 5, np.nan, "cat"],
... dtype="string"
... )
>>> s.str.isalpha() # 是否為字母
0 True
1 True
2 True
3 False
4 False
5 <NA>
6 True
dtype: boolean
>>> s.str.isnumeric() # 是否為數(shù)字0-9
0 False
1 False
2 False
3 True
4 True
5 <NA>
6 False
dtype: boolean
>>> s.str.isalnum() # 是否由數(shù)字或字母組成
0 True
1 True
2 True
3 True
4 True
5 <NA>
6 True
dtype: boolean
>>> s.str.isdigit() # 是否為數(shù)字
0 False
1 False
2 False
3 True
4 True
5 <NA>
6 False
dtype: boolean
>>> s.str.isdecimal() # 是否為小數(shù)
0 False
1 False
2 False
3 True
4 True
5 <NA>
6 False
dtype: boolean
>>> s.str.isspace() # 是否為空格
0 False
1 False
2 False
3 False
4 False
5 <NA>
6 False
dtype: boolean
>>> s.str.islower() # 是否為小寫
0 False
1 False
2 False
3 False
4 False
5 <NA>
6 True
dtype: boolean
>>> s.str.isupper() # 是否為大寫
0 True
1 True
2 False
3 False
4 False
5 <NA>
6 False
dtype: boolean
>>> s.str.istitle() # 是否為標題格式
0 True
1 True
2 True
3 False
4 False
5 <NA>
6 False
dtype: boolean
以上這些字符串的方法其實和python原生的字符串方法基本相同。
3. 文本高級操作
文本高級操作包含文本拆分、文本替換、文本拼接、文本匹配與文本提取等，學會這些操作技巧，我們基本上就可以完成常見的復雜文本信息處理與分析了。
3.1. 文本拆分
文本拆分類似excel里的數(shù)據(jù)分列操作，將文本內(nèi)容按照指定的字符進行分隔，具體大家可以看下面案例。
方法split()返回的是一個列表
我們可以使用get 或 []符號訪問拆分列表中的元素
我們還可以將拆分后的列表展開，需要使用參數(shù)expand
同樣，我們可以限制分隔的次數(shù)，默認是從左開始（rsplit是從右到左），用到參數(shù)n
對于更復雜的拆分規(guī)格，我們可以在分隔符處傳入正則表達式
補充：像str.slice()切片選擇方法與str.partition()文本劃分方法都有類似效果，大家可以自定查閱官方文檔案例了解。
3.2. 文本替換
我們經(jīng)常在數(shù)據(jù)處理中用到替換功能，將指定的一些數(shù)據(jù)替換成我們想要替換的內(nèi)容。同樣，在處理文本數(shù)據(jù)替換的時候，str.repalce()也可以很好的滿足這一操作。
以上案例中，將regex參數(shù)設置為False就可以進行字面替換而不是對每個字符進行轉(zhuǎn)義；反之，則需要轉(zhuǎn)義，為正則替換。
此外，我們還可以正則表達式替換，比如下面這個例子中我們實現(xiàn)的是對文本數(shù)據(jù)中英文部分進行倒序替換：
可能部分同學無法直觀的理解上面的正則案例，這里簡單的拆解介紹下：
關于正則表達式的一些介紹，大家還可以參考此前推文《》進行更多了解。
另外，我們還可以通過str.slice_replace()方法實現(xiàn)保留選定內(nèi)容，替換剩余內(nèi)容的操作：
補充：我們還可通過str.repeat()方法讓原有的文本內(nèi)容重復，具體大家可以自行體驗
3.3. 文本拼接
文本拼接是指將多個文本連接在一起，基于str.cat()方法
比如，將一個序列的內(nèi)容進行拼接，默認情況下會忽略缺失值，我們亦可指定缺失值
連接一個序列和另一個等長的列表，默認情況下如果有缺失值，則會導致結(jié)果中也有缺失值，不過可以通過指定缺失值na_rep的情況進行處理
連接一個序列和另一個等長的數(shù)組（索引一致）
索引對齊
在索引對齊中，我們還可以通過參數(shù)join來指定對齊形式，默認為左對齊left，還有outer, inner, right
3.4. 文本匹配
文本匹配這里我們介紹查詢和包含判斷，分別用到str.findall()、str.find()和str.contains()方法。
文本查詢，str.findall()返回查詢到的值，str.find()返回匹配到的結(jié)果所在的位置（-1表示不存在）
文本包含，其實str.contain()常見于數(shù)據(jù)篩選中
此外，還有str.startwith()和str.endwith()用于指定開頭還是結(jié)尾包含某字符的情況，而str.match()則可用于正則表達式匹配。
3.5. 文本提取
我們在日常中經(jīng)常遇到需要提取某序列文本中特定的字符串，這個時候采用str.extract()方法就可以很好的進行處理，它是用正則表達式將文本中滿足要求的數(shù)據(jù)提取出來形成單獨的列。
比如下面這個案例，我們用正則表達式將文本分為兩部分，第一部分是字母a和b，第二部分匹配數(shù)字：
在上述案例中，expand參數(shù)為Fasle時如果返回結(jié)果是一列則為Series，否則是Dataframe。
我們還可以對提取的列進行命令，形式如?P<列名稱>，具體如下：
提取全部匹配項，會將一個文本中所有符合規(guī)則的內(nèi)容匹配出來，最后形成一個多層索引數(shù)據(jù)：
我們還可以從字符串列中提取虛擬變量，例如用"|"分隔（第一行abc只有a，第二行有a和b，第三行都沒有，第四行有a和c）：
以上就是本次全部內(nèi)容，相信大家在熟練這些文本數(shù)據(jù)處理的操作后，在日常工作中對于文本數(shù)據(jù)的處理將會非常得心應手。
------------------- End -------------------
往期精彩文章推薦：
Python項目實戰(zhàn)篇——常用驗證碼標注&識別(CNN神經(jīng)網(wǎng)絡模型訓練/測試/部署)
Python項目實戰(zhàn)篇——常用驗證碼標注&識別(前端+后端實現(xiàn)高效率數(shù)據(jù)標注)
歡迎大家點贊，留言，轉(zhuǎn)發(fā)，轉(zhuǎn)載，感謝大家的相伴與支持
想加入Python學習群請在后臺回復【入群】
萬水千山總是情，點個【在看】行不行
/今日留言主題/
隨便說一兩句吧~