dataframe 怎么转str_对比python字符串函数，学习pandas的str矢量化字符串函数

我就是我 2023-01-01 15:48 423阅读 0赞

## **1.概述** ##

![c4f14773bf682bd269a533ff4545ce8d.png][]

![47723289f48d2abfba622f3109b527f2.png][]

#  #

![a7589aa2442f64a82032c735c9394bef.png][]

文章来源：数据分析与统计学之美

作者：黄伟呢

python字符串应该是python里面最重要的数据类型了，因此学会怎么处理各种各样的字符串，显得尤为重要。

我们不仅要学会怎么处理单个字符串，这个就需要学习“python字符串函数”，我们还要学会怎么处理二维表格中每一列每一格的字符串，这个就需要学习“pandas的str矢量化字符串函数”。

今天我们采用对比的方式，带大家总结常用的字符串函数，希望这篇文章能够对大家起到很好的作用。

在开始享用这篇文章之前，请培养好自己的`耐心`，本文确实干货满满，一定要`看到最后`你才知道收获有多大，尤其是后面的str属性，`超有用`。

## **2.常用的python字符串函数** ##

字符串中，`空白符`也算是真实存在的一个字符。

#### 1)python字符串函数大全 ####

![6c42748aec3b31e1431c1d6adf24438a.png][]

#### 2)函数讲解 ####

##### ① find()函数 #####

*  `功能 ：`检测字符串是否包含指定字符。如果包含指定字符，则返回开始的索引；否则，返回-1。

![4fd2ef24e7725393f287452849c1eafa.png][]

##### ② index()函数 #####

*  `功能 ：`检测字符串是否包含指定字符。如果包含指定字符，则返回开始的索引；否则，提示ValueError错误。

![003dad7fdc69842e410f8ec1834bc285.png][]

##### ③ count()函数 #####

*  `功能 ：` 统计字符串中，某指定字符在指定索引范围内，出现的次数。
 *  `索引范围 ：`左闭右开区间。
 *  `注意 ：`如果不指定索引范围，表示在整个字符串中，搜索指定字符出现的次数。

![20fe5c6a8d51c937b33899bfd5e7fee3.png][]

##### ④ replace()函数 #####

*  `语法 ：`st.replace(str1,str2,count)。
 *  `功能 ：`将字符串st中的str1替换为str2。
 *  `注意 ：` 如果不指定count，则表示整个替换；如果指定count=1，则表示只替换一次，count=2，则表示只替换两次。

![945871c1fc2bc7f1bb9ccffd54227c55.png][]

##### ⑤ split() #####

*  `语法 ：`st.split('分隔符', maxSplit)
 *  `功能 ：`将字符串按照指定分隔符，进行分割。
 *  `注意 ：`如果split中什么都不写，则默认按照空格进行分割；如果指定了分割符，则按照指定分隔符，进行分割。
 *  `maxSplit作用：`不好叙述，自己看下面的例子就明白。

![9b907550201c37f0f347da77cdc43eac.png][]

##### ⑥ startswith()函数 #####

*  `语法 ：`st.startswith(str1)
 *  `功能 ：`检查字符串st是否以字符串str1开头，若是，则返回True；否则，返回False。

![44e7f22203e4edf044032aa1219a1ff6.png][]

##### ⑦ endswith()函数 #####

*  `语法 ：`st.endswith(str1)
 *  `功能 ：`检查字符串st是否以字符串str1结尾，若是，则返回True；否则，返回False。![936db9b3b335f48fc18d288c8f954937.png][]

##### ⑧ lower() #####

*  `语法 ：`st.lower()
 *  `功能 ：`将字符串的所有字母转换为小写。![6def476d91880761def9d6ceb467463f.png][]

##### ⑨ upper() #####

*  `语法 ：`st.upper()
 *  `功能 ：`将字符串的所有字母转换为大写。

![4780fe892ce07a7fdb274a4ca59f04de.png][]

##### ⑩ strip() #####

*  `语法 ：`st.strip()
 *  `功能 ：`去掉字符串左右两边的空白字符。

![4e70f0503b15c4ff9c3702572fff58aa.png][]

`注1：`st.rstrip() : 去掉字符串右边的空白字符。

`注2：`st.lstrip() : 去掉字符串左边的空白字符。

##### ⑪ join()函数 #####

*  `语法 ：`st.join(str1)
 *  `功能 ：`在指定字符串str1中，每相邻元素中间插入st字符串，形成新的字符串。
 *  `注意 ：`是在str1中间插入st，而不是在st中间插入str1。

![c1bac2f3a21e1446fb307d289a7ba6de.png][]

##### ⑫ isalpha() #####

*  `语法 ：`str.isalpha()
 *  `功能 ：`如果字符串str中只包含字母，则返回True；否则，返回False。
 *  `注意 ：`只有字符串中全部是字母，才会返回True，中间有空格都不行。

![38fecd051bc91e1ef807eb6a353c5b04.png][]

##### ⑬ isdigit() #####

*  `语法 ：`str.isdigit()
 *  `功能 ：`如果字符串str中只包含数字，则返回True；否则，返回False。

![a8bff7fc72071955b6a6790c2537a85b.png][]

## **3.常用的str矢量化字符串函数** ##

`str矢量化操作：`指的是循环迭代数组里面的某个元素，来完成某个操作。

#### 1)str矢量化字符串函数大全 ####

![a7b6bc931a1077a6b33db205965818c5.png][]

#### 2)构造一个DataFrame，用于测试函数 ####

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

结果如下：

![11e4008c05b7cef95b211a88c7c729c6.png][]

#### 3)函数讲解 ####

###### ① cat函数：用于字符串的拼接 ######

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

结果如下：

![b1088006b950653d839394206fe5a7ee.png][]

###### ② contains：判断某个字符串是否包含给定字符 ######

df["家庭住址"].str.contains("广")

结果如下：

![9a8ef2fff2895594f2fc02ab9538c17c.png][]

###### ③ startswith/endswith：判断某个字符串是否以...开头/结尾 ######

# 第一个行的“ 黄伟”是以空格开头的 df["姓名"].str.startswith("黄")  df["英文名"].str.endswith("e")

结果如下：

![7b0919814c5ee90cccae4e403d1ce166.png][]

###### ④ count：计算给定字符在字符串中出现的次数 ######

df["电话号码"].str.count("3")

结果如下：

![7bf159be4220af0d6dd9920d6c7a9a05.png][]

###### ⑤ get：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)

结果如下：

![d05da464fd231cdf7246388aabbdd9ff.png][]

###### ⑥ len：计算字符串长度 ######

df["性别"].str.len()

结果如下：

![5456ee960fa4c96271cf2657d62843d3.png][]

###### ⑦ upper/lower：英文大小写转换 ######

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

结果如下：

![b1a6bbd362a90da3fb19348b9317e4c1.png][]

###### ⑧ pad+side参数/center：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="*")

结果如下：

![8dd756078766ec2b4aa0d67f37ae7050.png][]

###### ⑨ repeat：重复字符串几次 ######

df["性别"].str.repeat(3)

结果如下：

![78afee1b8cdef3831d577718d3958286.png][]

###### ⑩ slice\_replace：使用给定的字符串，替换指定的位置的字符 ######

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

结果如下：

![7de3f186646e69a8da834202209abeed.png][]

###### ⑪ replace：将指定位置的字符，替换为给定的字符串 ######

df["身高"].str.replace(":","-")

结果如下：

![560d8d29536b6cd9bc082f0e4a4f01c4.png][]

###### ⑫ replace：将指定位置的字符，替换为给定的字符串(接受正则表达式) ######

*  replace中传入正则表达式，才叫好用；
 *  先不要管下面这个案例有没有用，你只需要知道，使用正则做数据清洗多好用；

df["收入"].str.replace("\d+\.\d+","正则")

结果如下：

![036cbc7f047ffb5e972ac15f0bd0e9b2.png][]

###### ⑬ split方法+expand参数：搭配join方法功能很强大 ######

# 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)

结果如下：

![5f35d5e2e2f6276dcf01e74ae9de7c80.png][]

###### ⑭ strip/rstrip/lstrip：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()

结果如下：

![7f91b28bfa20c7efa3e57bf4d1e4f18a.png][]

###### ⑮ findall：利用正则表达式，去字符串中匹配，返回查找结果的列表 ######

*  findall使用正则表达式，做数据清洗，真的很香！

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

结果如下：

![9fc090120af3ef957a81f7e38bd6f382.png][]

###### ⑯ extract/extractall：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)

结果如下：

![b03da5dcea6b2ce9ece352742703bad3.png][]

如果你觉得这篇文章对你有点用的话，就请为本文**点个在看**，或者**转发**一下吧，因为这将是我**持续输出更多优质文章的最强动力！**

`近期推荐阅读：`

`【1】整理了我开始分享学习笔记到现在超过250篇优质文章，涵盖数据分析、爬虫、机器学习等方面，别再说不知道该从哪开始，实战哪里找了【2】【终篇】Pandas中文官方文档：基础用法6(含1-5)`

`如果你觉得文章不错的话，分享、收藏、在看、留言666是对老表的最大支持。`

![186bbef8757e7187da73dc36ea0ff0fd.png][]

[c4f14773bf682bd269a533ff4545ce8d.png]: /images/20221120/de872bb4f8e942fd8003c8a26cffd85a.png
[47723289f48d2abfba622f3109b527f2.png]: /images/20221120/01296d55580b48e1a44709cf83001bf9.png
[a7589aa2442f64a82032c735c9394bef.png]: /images/20221120/33ec2240ac244076a460ef4d61280aab.png
[6c42748aec3b31e1431c1d6adf24438a.png]: /images/20221120/673c2ea2614047f884b639c8643899b0.png
[4fd2ef24e7725393f287452849c1eafa.png]: /images/20221120/99fb326d876c4a5c9fce18846969dc8d.png
[003dad7fdc69842e410f8ec1834bc285.png]: /images/20221120/ed7e3fcb5280469a83117cc54c11410b.png
[20fe5c6a8d51c937b33899bfd5e7fee3.png]: /images/20221120/b662d5cfc84f482eae5da1df9317a310.png
[945871c1fc2bc7f1bb9ccffd54227c55.png]: /images/20221120/94d6423eb02946f583deaa3ce68bcfb9.png
[9b907550201c37f0f347da77cdc43eac.png]: /images/20221120/7bf89eac40e04055b0c0b08908e9ac4a.png
[44e7f22203e4edf044032aa1219a1ff6.png]: /images/20221120/a879471fb11240869f59c0b3543f84e6.png
[936db9b3b335f48fc18d288c8f954937.png]: /images/20221120/a3ac698585ec4b3bb4842dbb2e0bd738.png
[6def476d91880761def9d6ceb467463f.png]: /images/20221120/b323cf6f4d83433aa164f2467498481f.png
[4780fe892ce07a7fdb274a4ca59f04de.png]: /images/20221120/b68d0ed475ea45cf9b6446b20ca1b7f1.png
[4e70f0503b15c4ff9c3702572fff58aa.png]: /images/20221120/da9615b6f51f4522aac0ada03d307cfa.png
[c1bac2f3a21e1446fb307d289a7ba6de.png]: /images/20221120/9e25a9d2f3084cddbead1097d1b87f91.png
[38fecd051bc91e1ef807eb6a353c5b04.png]: /images/20221120/758e888e373746d8982bdbdf9f9bef13.png
[a8bff7fc72071955b6a6790c2537a85b.png]: /images/20221120/edd0a3f573fb4f7487dfcb356100238b.png
[a7b6bc931a1077a6b33db205965818c5.png]: /images/20221120/5976febaa26749fc80a743b52d63072a.png
[11e4008c05b7cef95b211a88c7c729c6.png]: /images/20221120/4fef8b1d0b524ee0b50d7945ba583a85.png
[b1088006b950653d839394206fe5a7ee.png]: /images/20221120/fbea012edade4262832367345aef70d1.png
[9a8ef2fff2895594f2fc02ab9538c17c.png]: /images/20221120/a123b8859f8a412a85e7f49e36086801.png
[7b0919814c5ee90cccae4e403d1ce166.png]: /images/20221120/74c644ece1c64e779d3c0433b2017b67.png
[7bf159be4220af0d6dd9920d6c7a9a05.png]: /images/20221120/4d2358cbf3de4cf29b8d381fb4446673.png
[d05da464fd231cdf7246388aabbdd9ff.png]: /images/20221120/68602e2603ad45e6a91c3b9c12411046.png
[5456ee960fa4c96271cf2657d62843d3.png]: /images/20221120/03970942e1624d9eb40a5942119a62e7.png
[b1a6bbd362a90da3fb19348b9317e4c1.png]: /images/20221120/65821f11b34c43b2b049bf49e57bf43e.png
[8dd756078766ec2b4aa0d67f37ae7050.png]: /images/20221120/cddbb2be0ec24630bee7544f498c0b7b.png
[78afee1b8cdef3831d577718d3958286.png]: /images/20221120/64c4d2cdce0b4ef3bbd3a4c8643798b6.png
[7de3f186646e69a8da834202209abeed.png]: /images/20221120/ea6a45cbda06454fa801a48180603528.png
[560d8d29536b6cd9bc082f0e4a4f01c4.png]: /images/20221120/732316fc137f41119ee2e1b1d8f884e4.png
[036cbc7f047ffb5e972ac15f0bd0e9b2.png]: /images/20221120/082bf4a894464d69b898d1faea733c2f.png
[5f35d5e2e2f6276dcf01e74ae9de7c80.png]: /images/20221120/300567dd8a5f4d2da53fc8a7ca05e086.png
[7f91b28bfa20c7efa3e57bf4d1e4f18a.png]: /images/20221120/49e5fbe388bc448eb135ee6ceae967b0.png
[9fc090120af3ef957a81f7e38bd6f382.png]: /images/20221120/8e42209ad7a84d53b5e4731990eec321.png
[b03da5dcea6b2ce9ece352742703bad3.png]: /images/20221120/da7caf937131463fa1b5cd777e0ca281.png
[186bbef8757e7187da73dc36ea0ff0fd.png]: /images/20221120/d1a85d14dc644268b9c86f90e1fcded0.png