詳解16個pandas函數(shù)，讓你的 “數(shù)據(jù)清洗” 能力提高100倍！

本文介紹

你有沒有這樣一種感覺，為什么到自己手上的數(shù)據(jù)，總是亂七八糟？

作為一個數(shù)據(jù)分析師來說，數(shù)據(jù)清洗是必不可少的環(huán)節(jié)。有時候由于數(shù)據(jù)太亂，往往需要花費我們很多時間去處理它。因此掌握更多的數(shù)據(jù)清洗方法，會讓你的能力調(diào)高100倍。

本文基于此，講述pandas中超級好用的str矢量化字符串函數(shù)，學(xué)了之后，瞬間感覺自己的數(shù)據(jù)清洗能力提高了。

1個數(shù)據(jù)集，16個Pandas函數(shù)

數(shù)據(jù)集是黃同學(xué)精心為大家編造，只為了幫助大家學(xué)習(xí)到知識。數(shù)據(jù)集如下：

import pandas as pd

df ={'姓名':[' 黃同學(xué)','黃至尊','黃老邪 ','陳大美','孫尚香'],
     '英文名':['Huang tong_xue','huang zhi_zun','Huang Lao_xie','Chen Da_mei','sun shang_xiang'],
     '性別':['男','women','men','女','男'],
     '身份證':['463895200003128433','429475199912122345','420934199110102311','431085200005230122','420953199509082345'],
     '身高':['mid:175_good','low:165_bad','low:159_bad','high:180_verygood','low:172_bad'],
     '家庭住址':['湖北廣水','河南信陽','廣西桂林','湖北孝感','廣東廣州'],
     '電話號碼':['13434813546','19748672895','16728613064','14561586431','19384683910'],
     '收入':['1.1萬','8.5千','0.9萬','6.5千','2.0萬']}
df = pd.DataFrame(df)
df

結(jié)果如下：

觀察上述數(shù)據(jù)，數(shù)據(jù)集是亂的。接下來，我們就用16個Pandas來對上述數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗。

① cat函數(shù)：用于字符串的拼接

df["姓名"].str.cat(df["家庭住址"],sep='-'*3)

結(jié)果如下：

② contains：判斷某個字符串是否包含給定字符

df["家庭住址"].str.contains("廣")

結(jié)果如下：

③ startswith/endswith：判斷某個字符串是否以…開頭/結(jié)尾

# 第一個行的“ 黃偉”是以空格開頭的
df["姓名"].str.startswith("黃") 
df["英文名"].str.endswith("e")

結(jié)果如下：

④ count：計算給定字符在字符串中出現(xiàn)的次數(shù)

df["電話號碼"].str.count("3")

結(jié)果如下：

⑤ get：獲取指定位置的字符串

df["姓名"].str.get(-1)
df["身高"].str.split(":")
df["身高"].str.split(":").str.get(0)

結(jié)果如下：

⑥ len：計算字符串長度

df["性別"].str.len()

結(jié)果如下：

⑦ upper/lower：英文大小寫轉(zhuǎn)換

df["英文名"].str.upper()
df["英文名"].str.lower()

結(jié)果如下：

⑧ pad+side參數(shù)/center：在字符串的左邊、右邊或左右兩邊添加給定字符

df["家庭住址"].str.pad(10,fillchar="*")      # 相當(dāng)于ljust()
df["家庭住址"].str.pad(10,side="right",fillchar="*")    # 相當(dāng)于rjust()
df["家庭住址"].str.center(10,fillchar="*")

結(jié)果如下：

⑨ repeat：重復(fù)字符串幾次

df["性別"].str.repeat(3)

結(jié)果如下：

⑩ slice_replace：使用給定的字符串，替換指定的位置的字符

df["電話號碼"].str.slice_replace(4,8,"*"*4)

結(jié)果如下：

? replace：將指定位置的字符，替換為給定的字符串

df["身高"].str.replace(":","-")

結(jié)果如下：

? replace：將指定位置的字符，替換為給定的字符串(接受正則表達(dá)式)

• replace中傳入正則表達(dá)式，才叫好用；
• 先不要管下面這個案例有沒有用，你只需要知道，使用正則做數(shù)據(jù)清洗多好用；

df["收入"].str.replace("\d+\.\d+","正則")

結(jié)果如下：

? split方法+expand參數(shù)：搭配join方法功能很強(qiáng)大

# 普通用法
df["身高"].str.split(":")
# split方法，搭配expand參數(shù)
df[["身高描述","final身高"]] = df["身高"].str.split(":",expand=True)
df
# split方法搭配join方法
df["身高"].str.split(":").str.join("?"*5)

結(jié)果如下：

? strip/rstrip/lstrip：去除空白符、換行符

df["姓名"].str.len()
df["姓名"] = df["姓名"].str.strip()
df["姓名"].str.len()

結(jié)果如下：

? findall：利用正則表達(dá)式，去字符串中匹配，返回查找結(jié)果的列表

• findall使用正則表達(dá)式，做數(shù)據(jù)清洗，真的很香！

df["身高"]
df["身高"].str.findall("[a-zA-Z]+")

結(jié)果如下：

? extract/extractall：接受正則表達(dá)式，抽取匹配的字符串(一定要加上括號)

df["身高"].str.extract("([a-zA-Z]+)")
# extractall提取得到復(fù)合索引
df["身高"].str.extractall("([a-zA-Z]+)")
# extract搭配expand參數(shù)
df["身高"].str.extract("([a-zA-Z]+).*?([a-zA-Z]+)",expand=True)

結(jié)果如下：

今天的文章，就講述到這里，希望能夠?qū)δ阌兴鶐椭?/span>