08

2023-06-13 16:28| 来源: 网络整理| 查看: 265

08_Pandas提取含有指定字符串的行（完全匹配，部分匹配）

以下内容，如何使用pandas提取含有指定字符串的行的方法进行解释说明。

行的提取（选择）方法完全匹配 == 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：大小写我的处理参数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。

这次以以下数据为例

import pandas as pd df = pd.read_csv('./data/08/sample_pandas_normal.csv').head(3) print(df) # name age state point # 0 Alice 24 NY 64 # 1 Bob 42 CA 92 # 2 Charlie 18 CA 70 行的提取（选择）方法

首先，展示如何从pandas.DataFrame中提取（选择）行以获得新的pandas.DataFrame。

使用布尔值的布尔列表（数组）或pandas.Series的话，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

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。

完全匹配 ==

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 部分匹配 str.contains()：包含一个特定的字符串

pandas.Series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。

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。

参数case：大小写我的处理

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 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（）。

请注意，下面要介绍的str.endswith（）如果想要确定end ?，会更容易，如本例所示。

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在确定中照原样使用，而不作为正则表达式模式处理。

str.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 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

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