酷应用

详解 16 个 Pandas 函数，让你的 “数据清洗” 能力提高 100 倍！

百家作者：CSDN 2021-04-02 18:32:20

【CSDN 编者按】pandas对字符串的处理进行了加强，处理的单位变成了字符串的数组，更加高效，而对于缺失值，pandas中的矢量化字符串函数还能够自动跳过。

作者 | 黄伟呢 ? ? ?责编 | 欧阳姝黎

本文介绍

你有没有这样一种感觉，为什么到自己手上的数据，总是乱七八糟？

作为一个数据分析师来说，数据清洗是必不可少的环节。有时候由于数据太乱，往往需要花费我们很多时间去处理它。因此掌握更多的数据清洗方法，会让你的能力调高100倍。

本文基于此，讲述Pandas中超级好用的str矢量化字符串函数，学了之后，瞬间感觉自己的数据清洗能力提高了。

1个数据集，16个Pandas函数

数据集是黄同学精心为大家编造，只为了帮助大家学习到知识。数据集如下：

import?pandas?as?pd

df?={'姓名':['?黄同学','黄至尊','黄老邪?','陈大美','孙尚香'],
?????'英文名':['Huang?tong_xue','huang?zhi_zun','Huang?Lao_xie','Chen?Da_mei','sun?shang_xiang'],
?????'性别':['男','women','men','女','男'],
?????'身份证':['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':['湖北广水','河南信阳','广西桂林','湖北孝感','广东广州'],
?????'电话号码':['13434813546','19748672895','16728613064','14561586431','19384683910'],
?????'收入':['1.1万','8.5千','0.9万','6.5千','2.0万']}
df?=?pd.DataFrame(df)
df

结果如下：

观察上述数据，数据集是乱的。接下来，我们就用16个Pandas来对上述数据，进行数据清洗。

① cat函数：用于字符串的拼接

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

结果如下：

② contains：判断某个字符串是否包含给定字符

df["家庭住址"].str.contains("广")

结果如下：

③ startswith/endswith：判断某个字符串是否以…开头/结尾

#?第一个行的“?黄伟”是以空格开头的
df["姓名"].str.startswith("黄")?
df["英文名"].str.endswith("e")

结果如下：

④ count：计算给定字符在字符串中出现的次数

df["电话号码"].str.count("3")

结果如下：

⑤ get：获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)

结果如下：

⑥ len：计算字符串长度

df["性别"].str.len()

结果如下：

⑦ upper/lower：英文大小写转换

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

结果如下：

⑧ pad+side参数/center：在字符串的左边、右边或左右两边添加给定字符

df["家庭住址"].str.pad(10,fillchar="*")??????#?相当于ljust()
df["家庭住址"].str.pad(10,side="right",fillchar="*")????#?相当于rjust()
df["家庭住址"].str.center(10,fillchar="*")

结果如下：

⑨ repeat：重复字符串几次

df["性别"].str.repeat(3)

结果如下：

⑩ slice_replace：使用给定的字符串，替换指定的位置的字符

df["电话号码"].str.slice_replace(4,8,"*"*4)

结果如下：

? replace：将指定位置的字符，替换为给定的字符串

df["身高"].str.replace(":","-")

结果如下：

? replace：将指定位置的字符，替换为给定的字符串(接受正则表达式)

replace中传入正则表达式，才叫好用；
先不要管下面这个案例有没有用，你只需要知道，使用正则做数据清洗多好用；

df["收入"].str.replace("\d+\.\d+","正则")

结果如下：

? split方法+expand参数：搭配join方法功能很强大

#?普通用法
df["身高"].str.split(":")
#?split方法，搭配expand参数
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)

结果如下：

? strip/rstrip/lstrip：去除空白符、换行符

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

结果如下：

? findall：利用正则表达式，去字符串中匹配，返回查找结果的列表

findall使用正则表达式，做数据清洗，真的很香！

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

结果如下：

? extract/extractall：接受正则表达式，抽取匹配的字符串(一定要加上括号)

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