第十五篇，数据分析之pandas的矢量化字符串

95 阅读 0 评论 63 点赞

我是靠谱客的博主整齐水壶，这篇文章主要介绍第十五篇，数据分析之pandas的矢量化字符串，现在分享给大家，希望可以做个参考。

先写个案例看看：

复制代码

1
2
3
4
5
a = 'abcd'
b = ['abc','cba','bca']
print(a.capitalize())
print([a.capitalize() for a in b])

复制代码

1
2
3
Abcd
['Abc', 'Cba', 'Bca']

将它们的第一个字母变为大写，很简单的，也不是所有对象都可以使用capitalize(),里面如果有缺失数据的话就会导致报错，再看看Series函数：

复制代码

1
2
3
4
a = [1,2,None,3]
b = pd.Series(a)
print(b + 5)

复制代码

1
2
3
4
5
6
7
8
9
10
0
6.0
1
7.0
2
NaN
3
8.0
dtype: float64

通常上面这种称为对象矢量化，矢量化后之前对象的None就变成NaN(一个特殊的浮点数)，当然列表里的字符串也是可以矢量化的。

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
a = ['1','2',None,'3']
b = pd.Series(a)
print(b)
0
1
1
2
2
None
3
3
dtype: object

可以看出来上面那个b所引用的对象就不再是列表了，而是一个把列表矢量化为Series类型的对象。对于这种Series对象，有str属性，下面有个capitalize()：

复制代码

1
2
3
4
5
6
7
8
9
10
11
a = ['abc','cba','bca']
b = pd.Series(a)
print(b.str.capitalize())
0
Abc
1
Cba
2
Bca
dtype: object

上面那个b就是矢量化字符串后的Series对象。

复制代码

1
2
3
4
5
6
7
b = pd.Series(['abc','cba','bca'])
a = dir(str) #字符串对象的所有属性与方法的名称列表
c = dir(b.str) #矢量化字符串的所有属性与方法的名称列表
a1 = [i for i in a if '_' not in i] #删除特殊的属性与方法
c1 = [i for i in a if '_' not in i] #删除特殊的属性与方法
print(np.intersect1d(a1,c1)) #两者共有的方法名称

复制代码

1
2
3
4
5
6
7
8
['capitalize' 'casefold' 'center' 'count' 'encode' 'endswith' 'expandtabs'
'find' 'format' 'index' 'isalnum' 'isalpha' 'isascii' 'isdecimal'
'isdigit' 'isidentifier' 'islower' 'isnumeric' 'isprintable' 'isspace'
'istitle' 'isupper' 'join' 'ljust' 'lower' 'lstrip' 'maketrans'
'partition' 'replace' 'rfind' 'rindex' 'rjust' 'rpartition' 'rsplit'
'rstrip' 'split' 'splitlines' 'startswith' 'strip' 'swapcase' 'title'
'translate' 'upper' 'zfill']

从上面可以看出来的，矢量化字符串对象与python中的内置的字符串对象，它们所有的方法名称大部分是相同的，可以多做几个案例加深理解：

复制代码

1
2
3
4
5
a = pd.Series(['abc','cba','bca'])
print(a.str.lower())
print(a.str.len())
print(a.str.split())

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
0
abc
1
cba
2
bca
dtype: object
0
3
1
3
2
3
dtype: int64
0
[abc]
1
[cba]
2
[bca]
dtype: object

对于字符串的操作，正则表达式有着不可替代的作用，对矢量化字符串也是一样的，具体正则表达式就不解释，下面写一个正则表达式的案例：

复制代码

1
2
3
4
a = pd.Series(['123abcABC@','456cbaBCA@','4568bcaB'])
b = '^[0-9A-Za-z]+@'
print(a.str.match(b))

复制代码

1
2
3
4
5
6
7
8
0
True
1
True
2
False
dtype: bool

上面就表示如果将a与b去进行匹配通过a.str.match(b)方法，如果符合检验要求则返回true，否则返回false。
下面页可以尝试一下对字符串进行切片和索引是否可以使用：

复制代码

1
2
3
4
5
6
7
a = pd.Series(['abc','cba','bca'])
print(a.str.lower())
print(a.str[2])
print(a.str.get(2))
print(a.str[:2])
print(a.str.slice(0,2))

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
0
abc
1
cba
2
bca
dtype: object
0
c
1
a
2
a
dtype: object
0
c
1
a
2
a
dtype: object
0
ab
1
cb
2
bc
dtype: object
0
ab
1
cb
2
bc
dtype: object