Penjelasan terperinci tentang 16 fungsi Panda untuk meningkatkan keupayaan "pembersihan data" anda sebanyak 100 kali ganda!

Pengenalan kepada artikel ini

Pernahkah anda merasakan mengapa data yang anda miliki sentiasa berada dalam keadaan kucar-kacir?

Sebagai penganalisis data, pembersihan data adalah bahagian penting. Kadang-kadang kerana data terlalu kucar-kacir, selalunya kita memerlukan banyak masa untuk memprosesnya. Oleh itu, menguasai lebih banyak kaedah pembersihan data akan meningkatkan keupayaan anda sebanyak 100 kali ganda. .

1 set data, 16 fungsi Pandas

Set data direka dengan teliti oleh Huang, hanya untuk membantu semua orang mempelajari ilmu. Set data adalah seperti berikut:

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

Hasilnya adalah seperti berikut:

Memerhatikan data di atas, set data menjadi kucar-kacir. Seterusnya, kami akan menggunakan 16 Panda untuk membersihkan data di atas.

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：

Atas ialah kandungan terperinci Penjelasan terperinci tentang 16 fungsi Panda untuk meningkatkan keupayaan "pembersihan data" anda sebanyak 100 kali ganda!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!