Pandas-数据操作-字符串型（二）：常用方法【lower、upper、len、startswith、endswith、strip、lstrip、replace、split、rsplit】

2024-09-02 01:58
文章标签 数据 方法 操作 字符串 常用 pandas replace split len strip startswith lower upper lstrip endswith rsplit

本文主要是介绍Pandas-数据操作-字符串型（二）：常用方法【lower、upper、len、startswith、endswith、strip、lstrip、replace、split、rsplit】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、字符串常用方法：lower，upper，len，startswith，endswith

import numpy as np
import pandas as pds = pd.Series(['A', 'b', 'bbhello', '123', np.nan])
print("s = \n", s)
print('-' * 200)
print("lower小写: s.str.lower() = \n", s.str.lower())
print('-' * 200)
print("upper大写: s.str.upper() = \n", s.str.upper())
print('-' * 200)
print("len字符长度: s.str.len() = \n", s.str.len())
print('-' * 200)
print("判断起始是否为b: s.str.startswith('b') = \n", s.str.startswith('b'))
print('-' * 200)
print("判断结束是否为3: s.str.endswith('3') = \n", s.str.endswith('3'))

打印结果：

s = 
0          A
1          b
2    bbhello
3        123
4        NaN
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
lower小写: s.str.lower() = 
0          a
1          b
2    bbhello
3        123
4        NaN
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
upper大写: s.str.upper() = 0          A
1          B
2    BBHELLO
3        123
4        NaN
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
len字符长度: s.str.len() = 
0    1.0
1    1.0
2    7.0
3    3.0
4    NaN
dtype: float64
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
判断起始是否为b: s.str.startswith('b') = 
0    False
1     True
2     True
3    False
4      NaN
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
判断结束是否为3: s.str.endswith('3') = 
0    False
1    False
2    False
3     True
4      NaN
dtype: objectProcess finished with exit code 0

二、字符串常用方法：strip

import numpy as np
import pandas as pd# 字符串常用方法（2） - strips = pd.Series([' jack', 'jill ', ' je sse ', 'frank'])
df = pd.DataFrame(np.random.randn(3, 2),columns=[' Column A ', ' Column B '],index=range(3))
print("s = \n", s)
print('-' * 200)
print("df = \n", df)
print('-' * 200)# 去除字符串左右的空格
print("去除字符串左右的空格: s.str.strip() = \n", s.str.strip())
# 去除字符串中的左空格
print("去除字符串中的左空格: s.str.lstrip() = \n", s.str.lstrip())
# 去除字符串中的右空格
print("去除字符串中的右空格: s.str.rstrip() = \n", s.str.rstrip())# 这里去掉了columns的前后空格，但没有去掉中间空格
df.columns = df.columns.str.strip()
print("df = \n", df)
print('-' * 200)

打印结果：

s = 
0        jack
1       jill 
2     je sse 
3       frank
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
df = Column A    Column B 
0   -1.318646   -0.831649
1   -0.339870   -1.141231
2   -0.024364   -2.163961
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
去除字符串左右的空格: s.str.strip() = 
0      jack
1      jill
2    je sse
3     frank
dtype: object
去除字符串中的左空格: s.str.lstrip() = 
0       jack
1      jill 
2    je sse 
3      frank
dtype: object
去除字符串中的右空格: s.str.rstrip() = 0       jack
1       jill
2     je sse
3      frank
dtype: object
df = Column A  Column B
0 -1.318646 -0.831649
1 -0.339870 -1.141231
2 -0.024364 -2.163961
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Process finished with exit code 0

三、字符串常用方法：replace

import numpy as np
import pandas as pd# 字符串常用方法（3） - replacedf = pd.DataFrame(np.random.randn(3, 2),columns=[' Column A ', ' Column B '],index=range(3))
# 替换
df.columns = df.columns.str.replace(' ', '-')
print("df = \n", df)
print('-' * 200)# n：替换个数
df.columns = df.columns.str.replace('-', '*', n=1)
print("df = \n", df)

打印结果：

df = -Column-A-  -Column-B-
0    0.704728   -0.835929
1    1.478930   -2.708538
2    0.585825   -1.395908
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
df = *Column-A-  *Column-B-
0    0.704728   -0.835929
1    1.478930   -2.708538
2    0.585825   -1.395908Process finished with exit code 0

四、字符串常用方法：split、rsplit

import numpy as np
import pandas as pd# 字符串常用方法（4） - split、rsplits = pd.Series(['a,b,c', '1,2,3', ['a,,,c'], np.nan])
print("s = \n", s)
print('-' * 200)# 类似字符串的split
data1 = s.str.split(',')
print("data1 = s.str.split(',') = \n{0} \ntype(data1) = {1}".format(data1, type(data1)))
print('-' * 100)# 直接索引得到一个list
data2 = data1[0]
print("data2 = data1[0] = s.str.split(',')[0] = \n{0} \ntype(data2) = {1}".format(data2, type(data2)))
print('-' * 100)# 可以使用get或[]符号访问拆分列表中的元素
data3 = s.str.split(',').str.get(1)
print("data3 = s.str.split(',').str.get(1) = \n{0} \ntype(data3) = {1}".format(data3, type(data3)))
print('-' * 200)# 可以使用expand可以轻松扩展此操作以返回DataFrame
# n参数限制分割数
# rsplit类似于split，反向工作，即从字符串的末尾到字符串的开头
data4 = s.str.split(',', expand=True)
print("data4 = s.str.split(',', expand=True) = \n{0} \ntype(data4) = {1}".format(data4, type(data4)))
print('-' * 100)
data5 = s.str.split(',', expand=True, n=1)
print("data5 = s.str.split(',', expand=True, n=1) = \n{0} \ntype(data5) = {1}".format(data5, type(data5)))
print('-' * 100)
data6 = s.str.rsplit(',', expand=True, n=1)
print("data6 = s.str.rsplit(',', expand=True, n=1) = \n{0} \ntype(data6) = {1}".format(data6, type(data6)))
print('-' * 200)# Dataframe使用split
df = pd.DataFrame({'key1': ['a,b,c', '1,2,3', [':,., ']],'key2': ['a-b-c', '1-2-3', [':-.- ']]})
print("df = \n", df)
print('-' * 100)
data7 = df['key2'].str.split('-')
print("data7 = df['key2'].str.split('-') = \n{0} \ntype(data7) = {1}".format(data7, type(data7)))
print('-' * 200)

打印结果：

s = 
0      a,b,c
1      1,2,3
2    [a,,,c]
3        NaN
dtype: object
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
data1 = s.str.split(',') = 
0    [a, b, c]
1    [1, 2, 3]
2          NaN
3          NaN
dtype: object 
type(data1) = <class 'pandas.core.series.Series'>
----------------------------------------------------------------------------------------------------
data2 = data1[0] = s.str.split(',')[0] = 
['a', 'b', 'c'] 
type(data2) = <class 'list'>
----------------------------------------------------------------------------------------------------
data3 = s.str.split(',').str.get(1) = 
0      b
1      2
2    NaN
3    NaN
dtype: object 
type(data3) = <class 'pandas.core.series.Series'>
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
data4 = s.str.split(',', expand=True) = 0    1    2
0    a    b    c
1    1    2    3
2  NaN  NaN  NaN
3  NaN  NaN  NaN 
type(data4) = <class 'pandas.core.frame.DataFrame'>
----------------------------------------------------------------------------------------------------
data5 = s.str.split(',', expand=True, n=1) = 0    1
0    a  b,c
1    1  2,3
2  NaN  NaN
3  NaN  NaN 
type(data5) = <class 'pandas.core.frame.DataFrame'>
----------------------------------------------------------------------------------------------------
data6 = s.str.rsplit(',', expand=True, n=1) = 0    1
0  a,b    c
1  1,2    3
2  NaN  NaN
3  NaN  NaN 
type(data6) = <class 'pandas.core.frame.DataFrame'>
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
df = key1     key2
0    a,b,c    a-b-c
1    1,2,3    1-2-3
2  [:,., ]  [:-.- ]
----------------------------------------------------------------------------------------------------
data7 = df['key2'].str.split('-') = 
0    [a, b, c]
1    [1, 2, 3]
2          NaN
Name: key2, dtype: object 
type(data7) = <class 'pandas.core.series.Series'>
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Process finished with exit code 0

这篇关于Pandas-数据操作-字符串型（二）：常用方法【lower、upper、len、startswith、endswith、strip、lstrip、replace、split、rsplit】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1128681。

相关文章

一文教你Python如何快速精准抓取网页数据

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例
阅读更多...
Java中的StringBuilder之如何高效构建字符串

Java中的StringBuilder之如何高效构建字符串

《Java中的StringBuilder之如何高效构建字符串》本文将深入浅出地介绍StringBuilder的使用方法、性能优势以及相关字符串处理技术,结合代码示例帮助读者更好地理解和应用,希望对大家... 目录关键点什么是 StringBuilder？为什么需要 StringBuilder？如何使用 St
阅读更多...
使用Java将各种数据写入Excel表格的操作示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格
阅读更多...
Python中pywin32 常用窗口操作的实现

Python中pywin32 常用窗口操作的实现

《Python中pywin32常用窗口操作的实现》本文主要介绍了Python中pywin32常用窗口操作的实现,pywin32主要的作用是供Python开发者快速调用WindowsAPI的一个... 目录获取窗口句柄获取最前端窗口句柄获取指定坐标处的窗口根据窗口的完整标题匹配获取句柄根据窗口的类别匹配获取句
阅读更多...
Java 中的 @SneakyThrows 注解使用方法(简化异常处理的利与弊)

Java 中的 @SneakyThrows 注解使用方法(简化异常处理的利与弊)

《Java中的@SneakyThrows注解使用方法(简化异常处理的利与弊)》为了简化异常处理,Lombok提供了一个强大的注解@SneakyThrows,本文将详细介绍@SneakyThro... 目录1. @SneakyThrows 简介 1.1 什么是 Lombok？2. @SneakyThrows
阅读更多...
判断PyTorch是GPU版还是CPU版的方法小结

判断PyTorch是GPU版还是CPU版的方法小结

《判断PyTorch是GPU版还是CPU版的方法小结》PyTorch作为当前最流行的深度学习框架之一,支持在CPU和GPU(NVIDIACUDA)上运行,所以对于深度学习开发者来说,正确识别PyTor... 目录前言为什么需要区分GPU和CPU版本？性能差异硬件要求如何检查PyTorch版本？方法1：使用命
阅读更多...
python处理带有时区的日期和时间数据

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息
阅读更多...
Python位移操作和位运算的实现示例

Python位移操作和位运算的实现示例

《Python位移操作和位运算的实现示例》本文主要介绍了Python位移操作和位运算的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 位移操作1.1 左移操作 (<<)1.2 右移操作 (>>)注意事项：2. 位运算2.1
阅读更多...
Qt实现网络数据解析的方法总结

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理（处理粘包/拆包）3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义
阅读更多...
SpringMVC 通过ajax 前后端数据交互的实现方法

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》：本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中，经常在html页面通过AJAX进行前后端数据的交互，SpringMVC的controll
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2