pandas记录之文本数据

1. 特殊字符
   数据在收集的过程中由于各种原因，汇总的数据会出现一些出乎预料的问题

#数据中有特殊字符
309    0-
396    9`
485    /7
Name: col2, dtype: string

在进行数值统计时很头痛，一般情况下就是根据报错信息逐个replace

df.loc[df['col2'].str.contains('0-'),'col2']='0'
df.loc[df['col2'].str.contains('9`'),'col2']='9'

一个两个还好，第三个出现时，已经有点奔溃了
从Joyful-Pandas中学到了一种使用正则表达式的方法（以下为链接）
https://github.com/datawhalechina/joyful-pandas/blob/master/README.md

df['col2'][~(df['col2'].str.replace(r'-?\d+','True')=='True')] 
28      355`.3567
37             -5
73              1
122    9056.\2253
332    3534.6554{
370             7
Name: col3  , dtype: string

遇到过这种数据的，在读取数据时使用convert_dtypes()方法就可以发现数据存在问题

df=pd.read_csv('data/String_data_two.csv').convert_dtypes()
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 500 entries, 0 to 499
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   col1    500 non-null    string
 1   col2    500 non-null    string
 2   col3    500 non-null    string
dtypes: string(3)
memory usage: 11.8 KB

col2、col3两列存放的是数值，当使用convert_dtypes()读取时，如果数据没问题dtype应该是int或float,不可能是string

#列名中有空格
df.columns
Index(['col1', 'col2', 'col3  '], dtype='object')

列名中有空格，一般肉眼看不出来

2.文本数据的合并 str.cat
cat的inde必须一样，否则结果为NA
两个Series合并而言，是对应索引的元素进行合并

将下列数据改为：×××（名字）：×国人，性别×，生于×年×月×日

df_2=pd.Series([':','国人,性别','，生于','年','月','日'],index=['姓名', '国籍', '性别', '出生年', '出生月', '出生日'])
df2=df.copy()
for i in range(1,df2.shape[0]+1):
    s=df.loc[i].astype('str').astype('string').str.cat(df_2).values
    df2.loc[i,'id']="".join(s)
df2.head()

3.文本数据拆分
将2中的ID列拆分回去

#参考代码
pd.Series(['10-87', '10-88', '10-'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})?')

#部分拆分
df2['id'].astype('str').astype('string').str.extract(r'(?P<姓名>\w+):(?P<国籍>\w)国人,性别(?P<性别>\w)，?').head()

注意：正则表达式在文本数据处理中能够减少很多工作量，需花时间精力学习，多实践才是王道！