前言
pandas对文本数据也有很多便捷处理方法,可以不用写循环,向量化操作运算速度快,还可以进行高级的正则表达式,各种复杂的逻辑筛选和匹配提取信息。对于机器学习来说,从文本中做特征工程很是很有用的。
还是先导入包,读取案例数据:
import numpy as np
import pandas as pd
data = 'https://www.gairuo.com/file/data/dataset/team.xlsx'
df = pd.read_excel(data)
文本数据类型
#object 和 StringDtype 是 Pandas 的两个文本类型,不过作为新的数据类型,官方推荐 StringDtype 的使用。
#默认情况下,文本数据会被推断为 object 类型。
pd.Series(['a', 'b', 'c'])
string 类型需要专门进行指定:
pd.Series(['a', 'b', 'c'], dtype="string")
pd.Series(['a', 'b', 'c'], dtype=pd.StringDtype())
转换,可以从其他类型转换到这两个类型:
s = pd.Series(['a', 'b', 'c'])
s.astype("object") # 转换为 object
s.astype("string") # 转换为 string
# 类型转换,支持 string 类型
df.convert_dtypes().dtypes
推荐使用StringDtype类型取处理文本
字符操作
我们可以使用 .str.<method> 访问器(Accessors)来对内容进行字符操作:
生成案例数据:
s = pd.Series(['A', 'B', 'C', 'Aaba','Baca', np.nan, 'CABA','dog', 'cat'], dtype="string")
s
s.str.lower()# 转为小写
对于非字符类型我们可以先进行转换,再使用
# 转为 object
df.Q1.astype(str).str
# 转为 StringDtype
df.team.astype("string").str
df.Q1.astype(str).astype("string").str
.str后要展示数据要进行分割
#.str后要展示数据要进行分割
df.team.astype("string").str.strip()#等价于df.team.astype("string")
对索引进行操作:
df.index.str.lower()
# 对表头,列名进行操作
df.columns.str.lower()
df.columns.str.strip() #相当于df.columns
#如果对数据连续进行字符操作,则每个操作都要使用 .str 方法:
df.columns.str.strip().str.lower().str.replace('q', '_')
文本格式
格式转化:
#格式转换
s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])
s.str.lower() # 转为小写
s.str.upper() # 转为大写
s.str.title() # 格式,每个单词大写
s.str.capitalize() # 首字母大写
s.str.swapcase() # 大小写互换
s.str.casefold() # 转为小写,支持其他语言如德语
文本对齐
类似字符串的格式化,可以填充或者对齐
# 居中对齐,宽度为10,用 - 填充
s.str.center(10, fillchar='-')
# 左对齐
s.str.ljust(10, fillchar='-')
# 右对齐
s.str.rjust(10, fillchar='-')
指定宽度,填充内容对齐方式,填充内容
# side{‘left', ‘right', ‘both'}, default ‘left'
s.str.pad(width=10, side='left', fillchar='-')
# 填充对齐
s.str.zfill(10) # 生成字符,不足10位的前边加0
文本计数和编码
# 指定字母的数量
s.str.count('a')
# 支持正则,包含 abc 三个字母的总数
s.str.count(r'a|b|c')
# 字符长度
s.str.len()
# 编码
s.str.encode('utf-8')
# 解码
s.str.decode('utf-8')
# 字符串的Unicode普通格式
# form{‘NFC', ‘NFKC', ‘NFD', ‘NFKD'}
s.str.normalize('NFC')
格式判断
#类别判断,以下方法可以判断文本的相关格式:
# 检查字母和数字字符
s.str.isalpha() # 是否纯英文数字单词组成
s.str.isalnum() # 是否单词、数字或者它们组合形式组成
请注意,对于字母数字检查,针对混合了任何额外标点或空格的字符的检查将计算为 False
s.str.isdecimal() # 是否数字 0-9 组成合规10进制数字
s.str.isdigit() # 同 但可识别 unicode中的上标和下标数字
s.str.isnumeric() # 是否可识别为一个数字,同 isdigit 可识别分数
s.str.isdecimal() #是否为小数
s.str.isspace() # 是否空格
s.str.islower() # 是否小写
s.str.isupper() # 是否大写
s.str.istitle() # 是否格式,只有第一个字母大写
wrap将长文本拆分开指定宽度的字符,用换行连接
s.str.wrap(10)
文本高级处理
文本分割
#对内容中的下划线进行了分隔,分隔后每个内容都成为了一个列表,其中对空值是不起作用的。
s2 = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
s2.str.split('_')
分隔后可以使用 get 或者 [] 来取出相应内容,不过 [] 是列表切片操作更加灵活,不仅可以取出单个内容,也可以取出多个内容组成的片断。
取出每行第二个,列表索引从 0 开始
s2.str.split('_').str[1]
# get 只能传一个值
s2.str.split('_').str.get(1)
# [] 可以使用切片操作
s2.str.split('_').str[1:3]
s2.str.split('_').str[:-2]
# 如果不指定分隔符,会按空格进行分隔
s2.str.split()
# 限制分隔的次数,从左开始,剩余的不分隔
s2.str.split(n=2)
##字符展开,使用 split 可以将分隔后的数据展开形成新的行内容。
s2.str.split('_', expand=True)
# 指定展开列数,n 为切片右值
s2.str.split('_', expand=True, n=1)
#rsplit 和 split一样,只不过它是从右边开始分隔,如果没有n参数,rsplit和split的输出是相同的。
s2.str.rsplit('_', expand=True, n=1)
#使用正则,对于规则比较复杂的,分隔符处可以传入正则表达式:
s = pd.Series(["1+1=2"])
s.str.split(r"\+|=", expand=True)
文本切片选择 slice
#可以使用 .str.slice() 将指定的内容切除掉,不过还是推荐使用 s.str[]来实现,这样和Python字符串列表操作是一样的
s = pd.Series(["koala", "fox", "chameleon"])
s.str.slice() # 不做任何事
s.str.slice(1) # 切掉第一个字符
s.str.slice(start=1) #同上
其他参数用法:
# 切除最后一个以前的,留下最后一个
s.str.slice(start=-1) # s.str[-1]
# 切除第二位以后的
s.str.slice(stop=2) # s.str[:2]
# 切除步长为2的内容
s.str.slice(step=2) # s.str[::2]
# 切除从开头开始,第4位以后并且步长在3的内容
# 同 s.str[0:5:3]
s.str.slice(start=0, stop=5, step=3)
划分 partition
#.str.partition可以将文本按分隔符号划分为三个部分,形成一个新的 DataFrame或者相关数据类型。
s = pd.Series(['Linda van der Berg', 'George Pitt-Rivers'])
s.str.partition()
其他:
# 从右开始划分
s.str.rpartition()
# 指定符号
s.str.partition('-')
# 划分为一个元组列
s.str.partition('-', expand=False)
# 对索引进行划分
idx = pd.Index(['X 123', 'Y 999'])
idx.str.rpartition()
文本替换
s = pd.Series(['12', '-$10', '$10,000'], dtype="string")
s.str.replace('$', '')
s.str.replace(r'$|,', '')#逗号也替换
#如果我们替换 -$ 则发现不起作用,是因为替换字符默认是支持正则的(可以使用 regex=False 不支持),可以进行转义来实现。
s.str.replace('-$', '') # 不起作用
s.str.replace(r'-\$', '-') # 进行转义后正常
指定位置替换
#slice_replace 可以将保留选定内容,剩余内容进行替换:
s = pd.Series(['a', 'ab', 'abc', 'abdc', 'abcde'])
# 保留第一个,其他的替换或者追加 X
s.str.slice_replace(1, repl='X')
# 指定位置前删除并用 X 替换
s.str.slice_replace(stop=2, repl='X')
# 指定区间的内容被替换
s.str.slice_replace(start=1, stop=3, repl='X')
重复替换
# 对整体重复两次
pd.Series(['a', 'b', 'c']).repeat(repeats=2)
# 对每个行内的内容重复两次
pd.Series(['a', 'b', 'c']).str.repeat(repeats=2)
# 指定每行重复几次
pd.Series(['a', 'b', 'c']).str.repeat(repeats=[1, 2, 3])
文本连接
#方法 s.str.cat 可以做文本连接的功能,下面介绍如何将序列的文本或者两个文本序列连接在一起的方法。
#自身的连接
s = pd.Series(['a', 'b', 'c', 'd'], dtype="string")
s.str.cat(sep=',')
# 'a,b,c,d'
s.str.cat()
对空值的处理:
t = pd.Series(['a', 'b', np.nan, 'd'], dtype="string")
t.str.cat(sep=',')
#'a,b,d'
t.str.cat(sep=',', na_rep='-')
#指定列表序列连接
s.str.cat(['A', 'B', 'C', 'D'])
s.str.cat(t, na_rep='-')#空值处理
当然我们也可以使用 pd.concat 来进行链接两个序列:
d = pd.concat([t, s], axis=1)
'''
0 1
0 a a
1 b b
2 <NA> c
3 d d'''
# 两次连接
s.str.cat(d, na_rep='-')
文本连接的对齐方式:
u = pd.Series(['b', 'd', 'a', 'c'],
index=[1, 3, 0, 2],
dtype="string")
# 以左边索的为主
s.str.cat(u)
s.str.cat(u, join='left')
# 以右边的索引为主
s.str.cat(u, join='right')
# 其他
s.str.cat(t, join='outer', na_rep='-')
s.str.cat(t, join='inner', na_rep='-')
文本查询
#查询 findall
s = pd.Series(['Lion', 'Monkey', 'Rabbit'])
s.str.findall('Monkey')
'''
0 []
1 [Monkey]
2 []
dtype: object
'''
# 大小写敏感,不会查出内容
s.str.findall('MONKEY')
s.str.findall('on') #包含on
#利用正则查询和给定文本相同的内容:
# 忽略大小写
import re
s.str.findall('MONKEY', flags=re.IGNORECASE)
# 以 on 结尾
s.str.findall('on$')
# 包含多个的会形成一个列表
s.str.findall('b')
#可以使用str.find匹配返回匹配结果的位置(从0开始),-1为不匹配:
s.str.find('Monkey')
s1 = pd.Series(['Mouse', 'dog', 'house and parrot', '23', np.NaN])
s1.str.contains('og', regex=False)
文本包含
#包含 contains
#判断字符是否有包含关系,经常用在数据筛选中。它默认是支持正则的,如果不需要可以关掉。na=nan 可以指定
s1 = pd.Series(['Mouse', 'dog', 'house and parrot', '23', np.NaN])
s1.str.contains('og', regex=False)
#可以用在数据查询筛选中:
# 名字包含 A 字母
df.loc[df.name.str.contains('A')]
# 包含 A 或者 C
df.loc[df.name.str.contains('A|C')]
# 忽略大小写
import re
df.loc[df.name.str.contains('A|C', flags=re.IGNORECASE)]
# 包含数字
df.loc[df.name.str.contains('\d')]
另外,.str.startswith 和 .str.endswith 还可以指定开头还是结尾包含:
s = pd.Series(['bat', 'Bear', 'cat', np.nan])
s.str.startswith('b')
# 对空值的处理
s.str.startswith('b', na=False)
s.str.endswith('t')
s.str.endswith('t', na=False)
文本匹配
#匹配 match,确定每个字符串是否与正则表达式匹配。
pd.Series(['1', '2', '3a', '3b', '03c'], dtype="string").str.match(r'[0-9][a-z]')
文本提取
#提取 extract, .str.extract 可以利用正则将文本中的数据提取出来形成单独的列,下列中正则将文本分为两部分,
#第一部分匹配 ab 三个字母,第二位匹配数字,最终得这两列,c3 由于无法匹配,最终得到两列空值。
s=pd.Series(['a1', 'b2', 'c3'],dtype="string")
s.str .extract(r'([ab])(\d)', expand=True)
#expand 参数如果为真则返回一个 DataFrame,不管是一列还是多列,为假时只有一列时才会返回一个 Series/Index。
s.str.extract(r'([ab])?(\d)')
#3是数值,匹配上了
# 取正则组的命名为列名
s.str.extract(r'(?P<letter>[ab])(?P<digit>\d)')
#匹配全部,会将一个文本中所有符合规则的匹配出来,最终形成一个多层索引数据:
s = pd.Series(["a1a2", "b1b7", "c1"],index=["A", "B", "C"], dtype="string")
two_groups = '(?P<letter>[a-z])(?P<digit>[0-9])'
s.str.extract(two_groups, expand=True) # 单次匹配
s.str.extractall(two_groups)
提取虚拟变量
#可以从字符串列中提取虚拟变量。 例如用“ |”分隔:
s = pd.Series(['a', 'a|b', np.nan, 'a|c'], dtype="string")
s.str.get_dummies(sep='|')
#也可以对索引进行这种操作:
idx = pd.Index(['a', 'a|b', np.nan, 'a|c'])
idx.str.get_dummies(sep='|')
到此这篇关于Pandas数据分析之pandas文本处理的文章就介绍到这了,更多相关 pandas文本处理内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网!