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。
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。
df["姓名"].str.cat(df["家庭住址"],sep='-'*3)
结果如下:
df["家庭住址"].str.contains("广")
结果如下:
# 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:
df["电话号码"].str.count("3")
结果如下:
df["姓名"].str.get(-1)
df["身高"].str.split(":")
df["身高"].str.split(":").str.get(0)
结果如下:
df["性别"].str.len()
结果如下:
df["英文名"].str.upper()
df["英文名"].str.lower()
结果如下:
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:
df["性别"].str.repeat(3)
结果如下:
df["电话号码"].str.slice_replace(4,8,"*"*4)
结果如下:
df["身高"].str.replace(":","-")
结果如下:
df["收入"].str.replace("\d+\.\d+","正则")
结果如下:
# 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:
df["姓名"].str.len()
df["姓名"] = df["姓名"].str.strip()
df["姓名"].str.len()
结果如下:
df["身高"]
df["身高"].str.findall("[a-zA-Z]+")
结果如下:
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。