一句python,一句R︱python中的字符串操作、中文乱码、NaN情况(split、zip...)

先学了R,最近刚刚上手python,所以想着将python和R结合起来互相对比来更好理解python。最好就是一句python,对应写一句R。

pandas可谓如雷贯耳,数据处理神器。

以下符号:

=R=

代表着在R中代码是怎么样的。

速查笔记:

string模块,还提供了很多方法,如  
S.find(substring, [start [,end]]) #可指范围查找子串,返回索引值,否则返回-1  
S.rfind(substring,[start [,end]]) #反向查找  
S.index(substring,[start [,end]]) #同find,只是找不到产生ValueError异常  
S.rindex(substring,[start [,end]])#同上反向查找  
S.count(substring,[start [,end]]) #返回找到子串的个数  

S.lowercase()  
S.capitalize()      #首字母大写  
S.lower()           #转小写  
S.upper()           #转大写  
S.swapcase()        #大小写互换  

S.split(str, ' ')   #将string转list,以空格切分  
S.join(list, ' ')   #将list转string,以空格连接  

处理字符串的内置函数  
len(str)                #串长度  
cmp("my friend", str)   #字符串比较。第一个大,返回1  
max('abcxyz')           #寻找字符串中最大的字符  
min('abcxyz')           #寻找字符串中最小的字符  

string的转换  

float(str) #变成浮点数,float("1e-1")  结果为0.1  
int(str)        #变成整型,  int("12")  结果为12  
int(str,base)   #变成base进制整型数,int("11",2) 结果为2  
long(str)       #变成长整型,  
long(str,base)  #变成base进制长整型,  

————————————————————————————————————————————

字符编码

encode 和 decode

Python2 默认的编码是 ascii,通过 encode 可以将对象的编码转换为指定编码格式(称作“编码”),而 decode 是这个过程的逆过程(称作“解码”)。

decode,将字节串转变为字符串,并且这个字符串是按照 unicode 编码的。在 unicode 编码中,一个汉字对应一个字符,这时候度量它的长度就是 1. encode,一个 unicode 编码的字符串,也可以转换为字节串。

>>> a = "中"
>>> a
'\xe4\xb8\xad'

>>> b = a.decode()
>>> b
u'\u4e2d'

其中,a就是ASCII格式的编码,字节串;b就是unicode编码的字符串。当然有一个问题就是最后出来的还不是汉字。。。(醉!)

在py2中print的时候,把‘\\u6838\\u7535\\u5360’这类,unicode格式,转化为中文变得可视化:

str = '\u82f1\u8bed\u8001\u5e08'
tran = str.decode('unicode-escape')
pritn(tran)
#英语老师

————————————————————————————————————————————

一、字符形成、展示、拼接、切片

1、字符形成=R=paste

双引号包裹单引号

>>> "What's your name?"
"What's your name?"

单引号使用转义符

>>> 'What\'s your name?'
"What's your name?"

2、字符串展示print /raw_input

>>> name = raw_input("input your name:")
input your name:python
>>> name
'python'

其中raw_input有点交互关系,具体看案例,直接键入name就可以获得你输入的内容。

>>> print("hello, world")
hello, world

3、字符切片、选择、截取 =R=无

字符可以像一般的数据格式一样进行切片选择,有点像series:

>>> lang = "study Python"
>>> lang[0]
's'
>>> lang[2:9]
'udy pyt'

当然也包括lang[:]可以选中所有的。

其中index代表着某个字符的索引值。

lang.index("p")

4、内存编号 =R= 无

这个与R中不一样,当数据存入python之后,机器会自动给存入内存的数据编号,这个编号可以用id来查看。

>>> id(c)
3071934536L
>>> id(lang)
3071934536L

5、ASCII 值(是十进制的)

ord("a") 代表输入字符返回ASCII值

cha(97) 代表输入ASCII值返回字符

>>> cmp("a","b")    #a-->97, b-->98, 97 小于 98,所以 a 小于 b
-1

其中cmp()代表比较 a b 两个字符的ASCII值的大小,返回值为1,0,-1

>>> max(str1)
'd'
>>> max(str2)
'e'
>>> min(str1)
'a'

返回字符的ASCII值的最大值。

————————————————————————————————————————————

二、字符串基本操作

1、字符串重复 =R=rep

>>> str1*3
'abcdabcdabcd'

其中变成字符串有两种方式:一种是str()或者是用单引号来表示。

2、字符串拼接

方式一:单个字符相连用 + 就可以; 方式二:list组内相连,可以用join; 方式三:list与list相连,可以用zip。 方式四:占位符,“%s”字符串格式化的方式 方式五:.format()

(1)加号 =R= paste

>>> "Py" + "thon"
'Python'

>>> a = 1989
>>> b = "free"

>>> print b+“a”
>>> print b+str(a)

其中变成字符串有两种方式:一种是str()或者是用单引号来表示。 乘法,就是重复那个字符串的含义。

(2)join =R= paste

['www', 'itdiffer', 'com']
>>> ".".join(c)
'www.itdiffer.com'

用 . 来填补间隔中的内容。

(3)其他

#字符串连接   +
 #两两单字符相连
sStr1 = 'strcat'
sStr2 = 'append'
sStr1 += sStr2  #sStr1改变了
sStr1 + sStr2
#list中相连
delimiter = ','
mylist = ['Brazil', 'Russia', 'India', 'China']
print delimiter.join(mylist)

>>>Brazil,Russia,India,China

其中这里,’,’.join(mylist),书写格式是,把”,”这个符号,加到mylist这些list之间,连接起来。

#list字符贴在一起
name=('jack','beginman','sony','pcky')
age=(2001,2003,2005,2000)
for a,n in zip(name,age):
  print a,n
#list+list相连
  >>> z1=[1,2,3]
  >>> z2=[4,5,6]
  >>> result=zip(z1,z2)
  >>> result
  [(1, 4), (2, 5), (3, 6)]
#占位符
#“%s”字符串格式化的方式,%s当占位符在前面的字符串中占一个位置,后面用百分号%来连接需要填进去的对象。
print 'Running solvers for %d iterations...' % niter 

%d——表示那个位置是整数,%s——表示那个位置应该是字符串。

#.format()
'{}{}{}'.format(a,b,c)
#当{}里面是空的时候,里面默认索引为0,1,2按format括号里的顺序依次填入。
'{1}{2}{0}'.format(a,b,c)
#当{}里面有索引值时,按前面的索引值将后面的每项依次填入。
'{n1}{n2}{n3}'.format(n1=a,n2=b,n3=c)
#大括号{}里面可以指定对象名称,后面通过赋值的方式给前面的相应的值,后面的对象是无序的。

3、字符的交集

sStr1 = '12345678'
sStr2 = '456'
sStr1 and sStr2

跟set有点像,就可以得到字符级别的交集是什么

4、翻转字符

#翻转字符
sStr1 = 'abcdefg'
sStr1 = sStr1[::-1]

5、字符替换

Python replace() 方法把字符串中的 old(旧字符串) 替换成 new(新字符串),如果指定第三个参数max,则替换不超过 max 次。

#!/usr/bin/python

str = "this is string example....wow!!! this is really string";
print str.replace("is", "was");
print str.replace("is", "was", 3);

以上实例输出结果如下:

thwas was string example....wow!!! thwas was really string
thwas was string example....wow!!! thwas is really string

6、语句分割split =R= split

这个函数的作用是将字符串根据某个分割符进行分割。

>>> a = "I LOVE PYTHON"
>>> a.split(" ")
['I', 'LOVE', 'PYTHON']

其中split(“ ”)括号中,代表着依据什么样式来进行分割。

7、字符串去掉空格 = R=grep

方法是:

  • S.strip() 去掉字符串的左右空格
  • S.lstrip() 去掉字符串的左边空格
  • S.rstrip() 去掉字符串的右边空格
>>> b=" hello "    # 两边有空格
>>> b.strip()
'hello'

8、字符串大小写

在 Python 中有下面一堆内建函数,用来实现各种类型的大小写转化

  • S.upper() #S 中的字母大写
  • S.lower() #S 中的字母小写
  • S.capitalize() # 首字母大写
  • S.isupper() #S 中的字母是否全是大写
  • S.islower() #S 中的字母是否全是小写
  • S.istitle()

S.title() #把所有的单词的第一个字母转化为大写

S.istitle() #判断每个单词的第一个字母是否为大写

9、in 包含关系 =R=%in%

类似集合计算,a in b代表a是否包含在b中,返回的是布尔值。

>>> "a" in str1
True
>>> "de" in str1
False
>>> "de" in str2
True

10、字符长度len =R= length

>>> a="hello"
>>> len(a)
5

——————————————————————————————

三、ZIP的用法

1、zip字符贴在一起

#Zip
#list字符贴在一起
name=('jack','beginman','sony','pcky')
age=(2001,2003,2005,2000)
for a,n in zip(name,age):
  print a,n
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

2、list相连

#list+list相连
 1 >>> z1=[1,2,3]
 2 >>> z2=[4,5,6]
 3 >>> result=zip(z1,z2)
 4 >>> result
 5 [(1, 4), (2, 5), (3, 6)]
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

3、zip将数据变成list

#zip(*)解压,将[]变为{}
x=[1,2,3]
y=['a','b','c']
result=zip(x,y)      
zip(*result)    #直接转置
zip(*zip(x,y))  #接触转置

map(list,zip(x,y) ) #变成list

————————————————————————————————————————————

四、转义符、占用符列表

1、转义符列表

在字符串中,有时需要输入一些特殊的符号,但是,某些符号不能直接输出,就需要用转义符。所谓转义,就是不采用符号本来的含义,而采用另外一含义了。下面表格中列出常用的转义符:

转义字符

描述

\

(在行尾时) 续行符

\

反斜杠符号

\'

单引号

\"

双引号

\a

响铃

\b

退格(Backspace)

\e

转义

\000

\n

换行

\v

纵向制表符

\t

横向制表符

\r

回车

\f

换页

\oyy

八进制数,yy 代表的字符,例如:\o12 代表换行

\xyy

十六进制数,yy 代表的字符,例如:\x0a 代表换行

\other

其它的字符以普通格式输出

以上所有转义符,都可以通过交互模式下 print 来测试一下,感受实际上是什么样子的。

2、占位符

占位符在自动生成字符内容方面有很好的应用:

>>> print "我%s喜欢NLP" % "非常"
我非常喜欢NLP

(1)老式占位符%s

另外,不同的占位符,会表示那个位置应该被不同类型的对象填充。下面列出许多,供参考。不过,不用记忆,常用的只有 %s%d,或者再加上 %f,其它的如果需要了,到这里来查即可。

占位符

说明

%s

字符串(采用 str()的显示)

%r

字符串(采用 repr()的显示)

%c

单个字符

%b

二进制整数

%d

十进制整数

%i

十进制整数

%o

八进制整数

%x

十六进制整数

%e

指数 (基底写为 e)

%E

指数 (基底写为 E)

%f

浮点数

%F

浮点数,与上相同

%g

指数(e) 或浮点数 (根据显示长度)

%G

指数(E)或浮点数 (根据显示长度)

(2)新式{}

>>> print "我{}喜欢NLP" .format("非常")
我非常喜欢NLP

Python 非常提倡的 string.format()的格式化方法,其中 {} 作为占位符。

这种方法真的是非常好,而且非常简单,只需要将对应的东西,按照顺序在 format 后面的括号中排列好,分别对应占位符 {} 即可。我喜欢的方法。

————————————————————————————————————————————

四、Python 中如何避免中文是乱码

这个问题是一个具有很强操作性的问题。我这里有一个经验总结,分享一下,供参考:

首先,提倡使用 utf-8 编码方案,因为它跨平台不错。

经验一:在开头声明:

# -*- coding: utf-8 -*-

有朋友问我-*-有什么作用,那个就是为了好看,爱美之心人皆有,更何况程序员?当然,也可以写成:

# coding:utf-8

经验二:遇到字符(节)串,立刻转化为 unicode,不要用 str(),直接使用 unicode()

unicode_str = unicode('中文', encoding='utf-8')
print unicode_str.encode('utf-8')

经验三:如果对文件操作,打开文件的时候,最好用 codecs.open,替代 open(这个后面会讲到,先放在这里)

import codecs
codecs.open('filename', encoding='utf8')

大多来源于:极客学院的《从零开始学 Python》(第二版)

五、Python正则表达式:re的match方法(来源公众号人人可以学python)

Python 从1.5版本起添加了模块re ,提供 Perl 风格的正则表达式模式

我们经常用的有re.match( ), re.search( ),re.sub( ), 下面我们一个一个来讲一下。

其中注意它们各自的区别

re.match( )

  • match( )从要匹配的字符串的起始位置开始匹配一个正则表达式。如果起始位置匹配失败,则返回None

re.match(pattern, string, flags=0)

参数:

pattern: 正则表达式

string:要匹配的字符串

flags:标志位,用来控制匹配模式

  • 举例: #!/usr/bin/python # -*- coding: UTF-8 -*- import re str1 = "Allen is renren python" print re.match('Bllen', str1) print re.match('Allen', str1) print re.match('.*renren.*', str1) allenwoo@~/renren$ python test.py

第一个由于一开始匹配不成功,所以结果是None

第二个在字符串开始就找到了“Allen”所以匹配成功,返回结果

第三个," . "表示任何字符,“ * ”表示前面一个修饰符有任何个(包括0个)

所以" .* "就是匹配任何个数的任何字符的意思。

#!/usr/bin/python
# -*- coding: UTF-8 -*- 
import re
str1 = "Allen is renren python"
r = re.match('Allen', str1)
# span是返回我们匹配到的字符串的开始和结束的下标
print r.span()
# group返回我们匹配到的字符串
print r.group()
print "\n"
r = re.match('.*renren.*', str1)
print r.span()
print r.group()
  • 数字匹配可以使用\w或者[0-9]

比如要匹配字符串"Jack age:18,sex:m"中的数字

#!/usr/bin/python
# -*- coding: UTF-8 -*- 
import re
str1 = "Jack age:18,sex:m"
r = re.match('.*\w+.*', str1)
if r:
    print r.group()
print "\n"
 
r = re.match('.*[0-9]+.*', str1)
if r:
    print r.group()
 
print("分组匹配输出")
r = re.match(r'(.*):([0-9]+).*', str1)
if r:
    print r.group()
    print r.group(1)
    print r.group(2)

还有:

look_reply = '<span class="ch_r tzrht">查看:4489 | 回复:35</span>'
re.findall("\d+",str(look_reply))
>>>['4489', '35']

你会发现我们在正则表达式中使用()就能分组匹配,然后可以使用group返回每个括号中匹配的字符串。

注意: 在re.match(r'(.*):([0-9]+).*', str1)的表达式前面我们使用了一个 r, r是防止字符串转意,因为我们使用了(),我们不希望它被当作要匹配的字符。

  • 附:那这就先讲一下转意:
#!/usr/bin/python
# -*- coding: UTF-8 -*- 
# 大家都知道\n是换行符,
# 而\t 是tab空格,相当于我们键盘的tab键
print("We\tare\trenrenpython")
 
# 加上r防止转意后
print(r"We\tare\trenrenpython")

\是一个特殊符符号,用来转意一些字符,如\n换行符

使用了 r 后"\t"就是字符串"\t", 而不是tab

  • 然后又有新的问题来了,想"\w"," . ", " * "都被用作了正则表达式的修饰符,如果我们需要把它们当原本的字符匹配怎么办呢?使用" \"
#!/usr/bin/python
# -*- coding: UTF-8 -*- 
import re
str1 = "python . renren"
str2 = "python : renren"
# 由于"." 是代表任何字符,所以下面表达式str1,str2都能匹配到
r = re.match('.* . .*', str1)
if r:
    print r.group()
else:
    print "未匹配" 
 
r = re.match('.* . .*', str2)
if r:
    print r.group()
else:
    print "未匹配" 
print "\n"
 
# 如果我们要匹配的是"."这个字符呢? 
r = re.match('.* \. .*', str1)
if r:
    print r.group()
else:
    print "未匹配" 
 
r = re.match('.* \. .*', str2)
if r:
    print r.group()
else:
    print "未匹配"

跟match比较像的finditer:

sentence = '大幅度发的史莱克,大多亏了三等奖克'
list(re.finditer('大(.*?)克',sentence))

>>>[<_sre.SRE_Match object; span=(0, 8), match='大幅度发的史莱克'>,
 <_sre.SRE_Match object; span=(9, 17), match='大多亏了三等奖克'>]

正则做替换:

import re
url = 'https://113.215.20.136:9011/113.215.6.77/c3pr90ntcya0/youku/6981496DC9913B8321BFE4A4E73/0300010E0C51F10D86F80703BAF2B1ADC67C80-E0F6-4FF8-B570-7DC5603F9F40.flv'
pattern = re.compile(r'(?<![\.\d])(?:\d{1,3}\.){3}\d{1,3}(?![\.\d])')
print pattern.findall(url)
out = re.sub(pattern, '127.0.0.1', url)
print out

延伸一:Nan

def isnotNaN(num):
    return num == num

延伸二:相关实践

一些实践案例:
# 通过正则,提取字符
<a target="img-window" class="col-sm-12 col-md-6 img-div" href="../../../img/56b311675fe3329a703cf9de.html">
查询:re.findall(r'\"(.*html)\"',str(  content  ))
结果:../../../img/56b311675fe3329a703cf9de.html

# 确定句子中是否存在某字符:
string.find('*')!= -1  # 结果为-1时,代表没有这个字符

# 通过正则,确定句子中是否存在某字符:
确定句子中是否存在中文:
	re.match('[\u4e00-\u9fa5]', string)
	(0,3),说明存在中文
	'',说明不存在。

提取括号中的元素:

import re

str = u'陈奕迅演唱(十年))、(浮夸)、(不要说话)'
re.findall('\((.*?)\)', str)

提取.jpg文件:

http:.+\.jpg

提取数字:

电话号码:\d{3}-\d{8}|\d{4}-\d{7}

QQ号:[1-9][0-9]{4,}

中国邮政编码:[1-9]\d{5}(?!\d)
身份证:\d{15}|\d{18}

ip地址:\d+\.\d+\.\d+\.\d+

[1-9]\d*      正整数
-[1-9]\d*   负整数
-?[1-9]\d* 整数
[1-9]\d*|0  非负整数
-[1-9]\d*|0   非正整数
[1-9]\d*\.\d*|0\.\d*[1-9]\d*$   正浮点数
-([1-9]\d*\.\d*|0\.\d*[1-9]\d*)$  负浮点数
-?([1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0)$  浮点数
price='25.34-34.55'
 
test=re.compile(r'[1-9]\d*\.\d*|0\.\d*[1-9]|[1-9]\d*').findall(price)[0]

匹配价格,并输出平均价格。

#五牛圖紙本20.8x139.8抽取
pattern = re.compile(r'([1-9]\d*)x([1-9]\d*)')
pattern.findall(text)
>>>  [('20.8', '139.8')]

抽取正整数,()*()这样的格式。

删除字符串中的数字:

from string import digits
 
s = 'abc123def456ghi789zero0'
remove_digits = str.maketrans('', '', digits)
res = s.translate(remove_digits)
# 'abcdefghizero'

根据规则进行分割:

p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c   d')

提取限定长度的字符

sentence = '大幅度发的史莱克,大多亏了等奖克,大克,大多亏了奖克'
re.findall('大(.{0,5})克',sentence)
>>>['多亏了等奖', '', '多亏了奖']


# 其中一种情况是在正则中使用Format
# 注意是使用{{}}来区分
re.findall('{}(.{{0,5}}){}'.format('大','克'),sentence)
>>> ['多亏了等奖', '', '多亏了奖']

等于再说,大-克,之间只能存在0<x<5个字(不包括5)

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券