详解16个pandas函数，让你的 “数据清洗” 能力提高100倍！
详解16个pandas函数，让你的 “数据清洗” 能力提高100倍！
Python数据科学
发布于 2021-03-17 15:48:47
发布于 2021-03-17 15:48:47
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：
⑪ 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：
⑫ 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：
⑬ 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：
⑭ 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：
⑮ 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：
⑯ 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)结果如下：
今天的文章，就讲述到这里，希望能够对你有所帮助。
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2021-03-15，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录