python： 进阶 - 数据预处理 - 数据清洗 - 使用正则表达式，完成类似EXCEL的替换功能

前言：请优先使用string.replace，其次考虑re。

例如：我们有内容如下的 haha.csv表。现在我想把含有移动的字段替换成另一个东西，比如你想换成yidong好了。怎么做呢？

0	time	…	weizhi
1	20180101	…	移动火车
2	20180101	…	移动飞机
3	20180101	…	移动椅子
4	20180101	…	海面木板
5	20180101	…	跟斗云
6	20180101	…	梦幻空间
7	20180101	…	黑洞
8	20180101	…	擂台

Excel： 首先，我们“ctrl + h”调出查找替换对话框；然后，设定要查找的为移动*，要替换的为yidong；最后，点击确认就好了。

Python： python的思路大致相同思路。
第一步，读取有n列的haha.csv表，再逐行处理；
第二步，使用正则表达式查找含有 移动 的记录；
第三步，设定要替换的为yidong，再进行替换；
第四步，逐行逐行把替换好的记录添加到一块儿；
第五步，此时直接输出的csv仅为2列，需要调整格式，变为n列的csv文件。

第二版答案：

在第一版答案中，改进第二步、第三步和第四步，将代码由8行缩短为4行：

patterns = r'移动\w*'
regex = re.compile(patterns)
subplaced_data = regex.sub('yidong', line[i])
new_file.append(subplaced_data)

完整版：

import re
import pandas as pd


def tihuan():                                          # 设个函数，这样我们想运行它就调用它，不想就不调用。方便、主动。
    # 第一步：
    file = open('路径 + haha.csv', 'r')
    lines = file.readlines()
    new_file = []
    for i in range(len(lines)):
    # 第二步/第三步/第四步：
        patterns = r'移动\w*'
        regex = re.compile(pattern = patterns)
        subplaced_data = regex.sub('yidong', lines[i])  # re.sub('查找的字符', '替换的字符', '指查找替换发生的地方')
        new_file.append(subplaced_data)
     # 第五步：                                          # 没有这一步而直接.to_csv()的话，原表所有的列在新表里边全在一列。
        new_file_csvformat = []
        for i in new_file:
            new_line_split = i.split(',')
            new_file_csvformat.append(new_Line_split)
# 化为DataFrame格式，最后输出到指定位置
    final_file = pd.DataFrame(new_file_csvformat)
    final_file.to_csv('路径+新名字.csv', encoding='gbk'， index=False, header=False) 
                                                        # index=False不添加index列，Header=False不添加column行即我们使用原列名称


if __name__ == '__main__':
    tihuan()

输出如下：

1	time	…	weizhi
1	20180101	…	yidong
2	20180101	…	yidong
3	20180101	…	yidong
4	20180101	…	海面木板
5	20180101	…	跟斗云
6	20180101	…	梦幻空间
7	20180101	…	黑洞
8	20180101	…	擂台

第一版答案：

def tihuan():                                        # 设个函数，这样我们想运行它就调用它，不想就不调用。方便、主动。
    # 第一步：
    file = open('路径 + haha.csv', 'r')
    lines = file.readlines()
    new_file = []
    for i in range(len(lines)):
    # 第二步：
        patterns = r'移动\w*'
        regex = re.compile(pattern = patterns)
        search_data = regex.search(lines[i])
    # 第三步&第四步：
        if search:
            replaced_data = lines[i].replace(search_data.group(i), 'yidong')  # .group()用于正则表达式中，返回位置i的内容。本处即所有含有“移动”的地方；
           new_file.append(replaced_data)
        else:
            new_file.append(lines[i])
     # 第五步：
        new_file_csvformat = []
        for i in new_file:
            new_line_split = i.split(',')
            new_file_csvformat.append(new_Line_split)
      # 化为DataFrame格式，最后输出到指定位置
        final_file = pd.DataFrame(new_file_csvformat)
        final_file.to_csv(路径+新名字.csv', encoding='gbk')


if __name__ == '__main__':
    tihuan()

注：
.group() ：正则表达式中，group()用来提出分组截获的字符串，()用来分组，例如

import re
a = "123abc456"
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)   #123abc456,返回整体
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)   #123
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)   #abc
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)   #456