正则表达式 | 您所在的位置:网站首页 › Python中提取字符串中的字母 › 正则表达式 |
目录 1.乱码符号种类较少,用replace() 2.乱码字符种类较多,用re.sub() 3.提取字符串中的中文字符 4.提取字符串中的中文字符和数字 5.提取其他 数据清洗的时候一大烦恼就是数据中总有各种乱码字符,比如!@#¥%……&——+*(){}:“》《?|【】‘;/。,、-= 去掉这些很简单: 1.乱码符号种类较少,用replace()如果只是很少类型的乱码符号,可以使用replace来替换掉,由于我们只是针对字符串中个别字符进行替换,因此使用str.replace("#","")即可; #只有一类乱码字符串 df['name'] = df['name'].str.replace("#","") #连续多个字符一起替换 df['name'] = df['name'].str.replace("#","").str.replace("&","").str.replace("*","") 2.乱码字符种类较多,用re.sub() import re string = "北京大学beijing985大学@#¥……&{}*@$%)..+_)( " string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])","",string) print(string_code ) #输出:北京大学beijing985大学这种方法的清洗,我们使用的其实是正则表达式,上述方法是提取了字符串中的中英文和数字,当然你也可以直提取中文,不同字符对应的 unicode 范围如下所示: 函数说明sub(pattern,repl,string)把字符串中的所有匹配表达式pattern中的地方替换成repl[^**]表示不匹配此字符集中的任何一个字符\u4e00-\u9fa5汉字的unicode范围\u0030-\u0039数字的unicode范围\u0041-\u005a大写字母unicode范围\u0061-\u007a小写字母unicode范围 3.提取字符串中的中文字符 import re string = "北京大学beijing985大学@#¥……&{}*@$%)..+_)( " #提取中文字符 string_code = re.sub(u"([^\u4e00-\u9fa5])","",string) print(string_code ) #输出:北京大学大学 4.提取字符串中的中文字符和数字 import re string = "北京大学beijing985大学@#¥……&{}*@$%)..+_)( " #提取中文字符和数字 string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",string) print(string_code ) #输出:北京大学985大学 5.提取其他至于提取其他字符,可以根据正则表达式的 unicode 范围,并参照上述三个例子敲代码。 |
CopyRight 2018-2019 实验室设备网 版权所有 |