Pandas数据清洗常用函数

构造数据集

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

1. cat函数：字符串的拼接

df["姓名"].str.cat(df["家庭住址"],sep='-'*3)

2. contains函数：判断某个字符串是否包含指定字符

df["家庭住址"].str.contains("广")

3. startswith、endswith函数：判断某个字符串是否以指定开头/结尾

#以黄开头
df["姓名"].str.startswith("黄") 

#以E结尾
df["英文名"].str.endswith("E")

4. count函数：计算指定字符在字符串中出现的次数

df["电话号码"].str.count("3")

5. get函数：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)

6. len函数：计算字符串长度

df["性别"].str.len()

7.upper、lower函数：英文大小写转换

df["英文名"].str.upper()
df["英文名"].str.lower()

8.pad+side参数/center函数：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="*")

9. repeat函数：重复字符串几次

df["性别"].str.repeat(3)

10. slice_replace函数：使用指定的字符串，替换指定的位置的字符

df["电话号码"].str.slice_replace(4,8,"*"*4)

11. replace函数：将指定位置的字符，替换为给定的字符串

df["身高"].str.replace(":","-")

#这个函数还接受正则表达式，将指定位置的字符，替换为给定的字符串
df["收入"].str.replace("\d+\.\d+","正则")

12. split方法+expand参数：将一列扩展为好几列

# 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)

13. strip、rstrip、lstrip函数：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()

14. findall函数：利用正则表达式，去字符串中匹配，返回查找结果的列表

df["身高"]
df["身高"].str.findall("[a-zA-Z]+")

15. extract、extractall函数：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)