Pandas提取含有指定字符串的行或列(DataFrame子集) 您所在的位置:网站首页 pandas获取表头和内容 Pandas提取含有指定字符串的行或列(DataFrame子集)

Pandas提取含有指定字符串的行或列(DataFrame子集)

2024-07-17 06:29| 来源: 网络整理| 查看: 265

Pandas提取含有指定字符串的行(完全匹配,部分匹配) 1. 概述

接下来,讲解如何采用正则的方式提取DataFrame子集

完全匹配

==

部分匹配 str.contains():包含一个特定的字符串 - 参数na:缺少值NaN处理 - 参数case:大小写的处理 - 参数regex:使用正则表达式模式str.endswith():以特定字符串结尾str.startswith():以特定的字符串开头str.match():匹配正则表达式模式 注:要提取部分匹配的行,可以使用pandas的(str.xxx())方法,根据指定条件提取的字符串方法。 2. 示例 import pandas as pd df = pd.read_csv('sample.csv').head(3) print(df) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70 12345678 2.1 布尔操作符

使用布尔列表(数组)或pandas.Series,只能提取(选择)True行。

mask = [True, False, True] df_mask = df[mask] print(df_mask) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70 123456

因此,对于具有字符串元素的列,是否能够获得根据条件的布尔列表就足够了。

2.2 完全匹配操作符(==)

如果元素与字符串完全匹配,则使用==获取为True的pandas.Series。

print(df['state'] == 'CA') # 0 False # 1 True # 2 True # Name: state, dtype: bool print(df[df['state'] == 'CA']) # name age state point # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70 2.3 部分匹配操作符 2.3.1 str.contains():包含一个特定的字符串

pandas.Series或pandas.index(columns)字符串方法str.contains()允许获取包含特定字符串的pandas.Series.

print(df['name'].str.contains('li')) # 0 True # 1 False # 2 True # Name: name, dtype: bool print(df[df['name'].str.contains('li')]) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70

请注意,默认情况下,第一个参数中指定的字符串将作为正则表达式模式进行处理,如下所述。

2.3.2 参数na:缺少值NaN处理

如果元素是缺失值NaN,则默认情况下它将返回NaN而不是True或False。因此,使用pandas.Series提取该行是错误的。

df_nan = df.copy() df_nan.iloc[2, 0] = float('nan') print(df_nan) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 NaN 18 CA 70 print(df_nan['name'].str.contains('li')) # 0 True # 1 False # 2 NaN # Name: name, dtype: object # print(df_nan[df_nan['name'].str.contains('li')]) # ValueError: cannot index with vector containing NA / NaN values

可以通过str.contains()的参数na来指定替换NaN结果的值。

print(df_nan['name'].str.contains('li', na=False)) # 0 True # 1 False # 2 False # Name: name, dtype: bool print(df_nan['name'].str.contains('li', na=True)) # 0 True # 1 False # 2 True # Name: name, dtype: bool

用作条件时,如果na = True,则选择NaN的行,如果na = False,则不选择NaN的行。

2.3.3 参数case:大小写处理

默认情况下,区分大小写。如果参数case为False,则case被忽略。

print(df['name'].str.contains('LI')) # 0 False # 1 False # 2 False # Name: name, dtype: bool print(df['name'].str.contains('LI', case=False)) # 0 True # 1 False # 2 True # Name: name, dtype: bool 2.3.4 参数regex:使用正则表达式模式

使用str.contains()时要记住的一件事是,默认情况下,指定为第一个参数的字符串将作为正则表达式模式进行处理。

print(df['name'].str.contains('i.*e')) # 0 True # 1 False # 2 True # Name: name, dtype: bool

如果参数ragex为False,则确定是否包含第一个参数的字符串本身。

print(df['name'].str.contains('i.*e', regex=False)) # 0 False # 1 False # 2 False # Name: name, dtype: bool

例如,如果要判断是否包含正则表达式的特殊字符,例如? . *,则需要设置regex = False。当然,可以指定一个正则表达式模式,以转义\?等特殊字符。

请注意,默认值可能会导致错误。

df_q = df.copy() df_q.iloc[2, 0] += '?' print(df_q) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 Charlie? 18 CA 70 # print(df_q['name'].str.contains('?')) # error: nothing to repeat at position 0 print(df_q['name'].str.contains('?', regex=False)) # 0 False # 1 False # 2 True # Name: name, dtype: bool print(df_q['name'].str.contains('\?')) # 0 False # 1 False # 2 True # Name: name, dtype: bool

str.contains()等同于re.search(),并且可以在flags参数中指定正则表达式标志。如稍后所述,还有对应于re.match()的str.match()。

2.3.5 str.endswith():以特定字符串结尾

pandas.Series字符串方法str.endswith()可以获取以特定字符串结尾的pandas.Series。

print(df['name'].str.endswith('e')) # 0 True # 1 False # 2 True # Name: name, dtype: bool print(df[df['name'].str.endswith('e')]) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70

str.endswith()也有一个参数na。如果要选择缺失值NaN的行,则设置na = True;如果不想选择,则将na = False设置。

没有参数case,因此它始终区分大小写。

另外,第一个参数的字符串不作为正则表达式模式处理。

2.3.6str.startswith():以特定的字符串开头

pandas.Series字符串方法str.startswith()可以获取以特定字符串开头的pandas.Series。

print(df['name'].str.startswith('B')) # 0 False # 1 True # 2 False # Name: name, dtype: bool print(df[df['name'].str.startswith('B')]) # name age state point # 1 Bob 42 CA 92 2.3.7 str.match():匹配正则表达式模式

pandas.Series字符串方法str.match()可以获取与正则表达式模式匹配的pandas.Series。

print(df['name'].str.match('.*i.*e')) # 0 True # 1 False # 2 True # Name: name, dtype: bool print(df[df['name'].str.match('.*i.*e')]) # name age state point # 0 Alice 24 NY 64 # 2 Charlie 18 CA 70

如上所述,str.match()对应于re.match(),并确定字符串的开头是否与模式匹配。如果不是一开始就为False。

print(df['name'].str.match('.*i')) # 0 True # 1 False # 2 True # Name: name, dtype: bool print(df['name'].str.match('i.*e')) # 0 False # 1 False # 2 False # Name: name, dtype: bool 1234567891011

当需要确定是否包括与模式匹配的部分时,不仅在开始时,而且默认使用与上述re.search()等效的re.contains()(regex = True)。 str.match()与str.contains()可以以相同的方式指定参数na,case和flag。



【本文地址】

公司简介

联系我们

今日新闻

    推荐新闻

      专题文章
        CopyRight 2018-2019 实验室设备网 版权所有