数据规整化——字符串操作

最新推荐文章于 2022-04-19 16:54:33 发布
最新推荐文章于 2022-04-19 16:54:33 发布
阅读量392 收藏
点赞数
分类专栏： Pandas
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Jakob_Hu/article/details/88807597
版权

字符串操作

回顾Python内置的字符串方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1）strip方法和split方法

在这里插入图片描述

2）join方法

在这里插入图片描述

3）in判断、index方法、find方法

在这里插入图片描述
在这里插入图片描述
index方法与 find方法的区别是，如果找不到字符串，index方法会报错，而find方法会返回一个异常。

4）count方法

在这里插入图片描述

5）replace方法

在这里插入图片描述

Python正则表达式

在这里插入图片描述
正则表达式参见博客单独的笔记。

pandas矢量化字符串方法

在这里插入图片描述
这些方法都是元素级的方法，且可以有效避免缺失值造成的程序运行错误。虽然一般的map或者applymap方法也能针对Series和Dataframe进行元素级操作，但是一旦有缺失值出现，在没有设置异常处理的情况下，程序就会报错。
在这里插入图片描述
在这里插入图片描述
pandas对象的str属性可以调用这些字符串方法，
在这里插入图片描述
正则表达式也可以运用在pandas对象的字符串处理上，
在这里插入图片描述
矢量化获取元素的两种方法，
在这里插入图片描述
对Series而言，可以直接通过所以获取字符串的子串，
在这里插入图片描述

Jakob_Hu
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据规整化
hustqb的博客
01-11 1696
摘自《利用Python进行数据分析》——Wes Mckinney
python数据类型——字符串（String）
weixin_45055737的博客
10-03 720
名称&表达式 赋值语句 输入&输出 数据类型
字符串规整
08-11 815
我们有时候把若干个文件xiezai
数据规整
孔祥旭的博客
12-18 1259
// Pandas分组聚合创建对象：姓名、历次测验语文成绩，数学成绩，英语成绩df = pd.DataFrame({ 'name': ['张三','李四','王五','李四','王五','王五','赵六'], 'chinese':np.random.randint(35,100,7), 'math':np.random.randint(35,100,7), 'engl
数据规整化：清理、转换、合并、重塑
m0_52945258的博客
07-27 250
merge函数 merge(df1,df2,on='key',how=' 附录一'，suffixes=()) 附录一： left:左外连接 right:右外连接 inner:内连接 outer:外连接 区别：内连接只有两个key一样时才会出现在最后的结果中，左外连接可以出现左边（df1）里面所有拥有的key值，（右连接一样），外链接则是左连接和右连接的组合，最后的结果包含df1和df2的所有值 代码： import pandas as pd df1=pd.DataFrame({'
Pandas数据分析③——数据规整1（索引和列名调整/数据内容调整/排序）
cindy407的博客
06-05 3029
数据规整是在数据清洗完毕后，将其调整成适合分析的结构，为后续的深入分析作准备，主要分为以下几类： 索引和列名调整： 设定新索引，筛选想要的列，更改列名 数据排序：根据索引或列进行排序 数据格式调整：更改数据类型，更改数据内容（去除空格标点符号/截取/替换/统一数据单位等），增加用于分析的辅助列 数据拼接：行堆叠和列拼接 数据透视：行或列维度转换 本篇先介绍前3种，下一篇介绍后2种 一、索引和列名调...
古代文人诗词化用——检索两字符串的重复子串
hermanncain的博客
03-12 639
中国古代的文人在吟诗作词时常化用前人的好词佳句，对研究中国古代文学的人来说，可能知道诗人A收到著名诗人B的影响很大，但若把A所有作品中化用B的字段全找出来，不知要来回比对多久。然而没有这一数据，就无法进行后续的分析。皓首穷经，仅仅能研究透几人而已——究其原因，不是水平不够，而是时间有限，机械式的检索工作耗费了学者太多时间精力，需要用技术解放。
利用python进行数据分析之——数据规整化1（ETL）
Jooey_Zhong
11-08 6698
待我学有所成，结发与蕊可好。@夏瑾墨 by Jooey 合并数据集 数据库风格的DataFrame合并 索引上的合并 轴向连接 1.数据库风格的DataFrame合并import pandas as pd from pandas import Series,DataFrame#一对多 df1=DataFrame({'key':['b','b','a','c','a','a','b'],'data1'
字符串处理之文本规范化
以梦为码 随路可栖
02-08 1689
凌晨睡不着觉了，起来撸会代码。华科的一个复试上机题，题型还是字符串处理，只不过这次活细点，自己想了一种解法，又在博客上看到了别人的一种解法，理解了一下别人的思路，两种思路最后都ac了，不过感觉自己的思路钻了OJ输入的一个空子，省去了对回车的判定。这篇文章就把这两种解法整理一下。 文本规范化 时间限制: 1 Sec  内存限制: 128 MB 题目描述 字符串是计算机经常处理的对象。现在
大数据分析---数据规整：聚合和重塑
10-09
在许多应⽤用中，数据可能分散在许多文件或数据库中，存储的形式也不不利利于分析，应采用聚合、合并、重塑数据的⽅方法进⾏行行处理理。
7. 数据的规整：分组、聚合、合并、重塑
qq_40947195的博客
03-21 638
第7部分 数据规整：聚合、合并、重塑和分组 文章目录第7部分 数据规整：聚合、合并、重塑和分组数据规整：聚合、合并、重塑和分组1. 层次化索引重排与分级排序根据级别汇总统计使用DataFrame的列进行索引2. 合并数据集数据库风格的DataFrame合并 数据规整：聚合、合并、重塑和分组 在许多应用中，数据可能分散在许多文件或数据库中，存储的形式也不利于分析。本章关注可以聚合、合并、重塑数据的方法。 1. 层次化索引 层次化索引（hierarchical indexing）是pandas的一项重要功能，它
数据规整：聚合、合并和重塑
qq_44878792的博客
07-26 237
在许多应⽤中，数据可能分散在许多⽂件或数据库中，存储的形式也不利于分析。本章关注可以聚合、合并、重塑数据的⽅法。 8.1层次化索引 data = pd.Series(np.random.randn(9), ...: index=[['a', 'a', 'a', 'b', 'b', 'c', 'c', 'd', 'd'], ...: [1, 2, 3, 1, 3, 1, 2, 2, 3]]) data data['b'] #得到参数是b的数 data['b':'c'] #得到参数是b和c
数据分析基础——数据规整
m0_63137059的博客
01-01 4125
一.数据连接 pd.merge(left,right) 将left和right进行含相同的部分进行合并，然后进行连接 pd.merge(left,right,one=['key1','key2']) 指定多个键进行合并 pd.merge(left,right,how='outer',one=['key1','key2']) outer:全连接为并集 默认为inner 交集 pd.merge(left,right,,right_index=True) 根据索引连接将右侧行索引用来连接
数据挖掘-数据规整
aprilvkuo的专栏
11-30 414
Data ReductionNumerosity Reduction—Regression and Log-Linear ModelsRegression Analysis对于含有自变量和因变量数据的一种建模和分析手段. 最常用的拟合方法是用最小二乘法Regression and Log-Linear ModelsA log-linear model is a mathematical model
数据分析学习之数据规整(1)
Thor的博客
03-14 958
数据合并 数据连接 根据单个或者多个键(列)将不同的DataFrame的行进行连接 类似数据的连接操作 pd.merge:(left, right, how=‘inner’,on=None,left_on=None, right_on=None ) left:合并时左边的DataFrame right:合并时右边的DataFrame how:合并的方式,默认’inner’, ‘oute...
数据规整化：清理、转换、合并、重整
dss875914213的博客
10-11 442
1.合并数据集 (1)数据库风格的DataFrame合并 key:merge 通过一个或多个键将行连接起来：合并(merge)或连接(join) pd.merge(df1,df2)#默认：重叠列的列名作为键 pd.merge(df1,df2,on='key')#显示指明 pd.merge(df3,df4,left_on='lkey',right_on='rkey')#左右列名不一样也可...
第8章 数据规整
热爱学习的小鲁的博客
04-19 238
8.1层次化索引 import pandas as pd import numpy as np import matplotlib.pyplot as plt data=pd.Series(np.random.randn(9),index=[['a','a','a','b','b','c','c','d','d'], [1,2,3,1,3,1,2,2,3]])#外层和内层标签按顺序写下来 data a 1 -1.101
pandas计算含缺失值中列平均值_Pandas库基础分析——数据规整化处理
最新发布
06-08
要计算含有缺失值的列的平均值，可以使用 Pandas 库中的 mean() 函数，并将 na.rm 参数设置为 True。例如，假设有一个名为 df 的 DataFrame，其中包含一个名为 column1 的列，其中包含一些缺失值，可以使用以下代码...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值