前言
数据清洗是一项复杂且繁琐(kubi)的工作，同时也是整个数据分析过程中最为重要的环节。有人说一个分析项目80%的时间都是在清洗数据，这听起来有些匪夷所思，但在实际的工作中确实如此。数据清洗的目的有两个，第一是通过清洗让数据可用。第二是让数据变的更适合进行后续的分析工作。换句话说就是有”脏”数据要洗，干净的数据也要洗。
在数据分析中，特别是文本分析中，字符处理需要耗费极大的精力，因而了解字符处理对于数据分析而言，也是一项很重要的能力。
字符串处理方法
首先我们先了解下都有哪些基础方法
立即学习“Python免费学习笔记（深入）”；
首先我们了解下字符串的拆分split方法
str='i like apple,i like bananer'
print(str.split(','))
对字符str用逗号进行拆分的结果：
['i like apple', 'i like bananer']
print(str.split(' '))
根据空格拆分的结果：
['i', 'like', 'apple,i', 'like', 'bananer']
print(str.index(','))
print(str.find(','))
两个查找结果都为：
12
找不到的情况下index返回错误，find返回-1
print(str.count('i'))
结果为：
4
connt用于统计目标字符串的频率
print(str.replace(',', ' ').split(' '))
结果为：
['i', 'like', 'apple', 'i', 'like', 'bananer']
这里replace把逗号替换为空格后，在用空格对字符串进行分割，刚好能把每个单词取出来。
除了常规的方法以外，更强大的字符处理工具费正则表达式莫属了。
正则表达式
在使用正则表达式前我们还要先了解下，正则表达式中的诸多方法。
下面我来看下个方法的使用，首先了解下match和search方法的区别
str = "Cats are smarter than dogs" pattern=re.compile(r'(.*) are (.*?) .*') result=re.match(pattern,str) for i in range(len(result.groups())+1): print(result.group(i))
结果为：
Cats are smarter than dogs
Cats
smarter
这种形式的pettern匹配规则下，match和search方法的的返回结果是一样的
此时如果把pattern改为
pattern=re.compile(r'are (.*?) .*')
match则返回none，search返回结果为：
are smarter than dogs
smarter
接下来我们了解下其他方法的使用
str = "138-9592-5592 # number" pattern=re.compile(r'#.*$') number=re.sub(pattern,'',str) print(number)
结果为：
138-9592-5592
以上是通过把#号后面的内容替换为空实现提取号码的目的。
我们还可以进一步对号码的横杆进行替换
print(re.sub(r'-*','',number))
结果为：
13895925592
我们还可以用find的方法把找到的字符串打印出来
str = "138-9592-5592 # number" pattern=re.compile(r'5') print(pattern.findall(str))
结果为：
['5', '5', '5']
正则表达式的整体内容比较多，需要我们对匹配的字符串的规则有足够的了解，下面是具体的匹配规则。
矢量化字符串函数
清理待分析的散乱数据时，常常需要做一些字符串规整化工作。
data = pd.Series({'li': '120@qq.com','wang':'5632@qq.com',
'chen': '8622@xinlang.com','zhao':np.nan,'sun':'5243@gmail.com'})
print(data)
结果为：
可以通过规整合的一些方法对数据做初步的判断，比如用contains 判断每个数据中是否含有关键词
print(data.str.contains('@'))
结果为：
也可以对字符串进行分拆，把需要的字符串提取出来
data = pd.Series({'li': '120@qq.com','wang':'5632@qq.com',
'chen': '8622@xinlang.com','zhao':np.nan,'sun':'5243@gmail.com'})
pattern=re.compile(r'(\d*)@([a-z]+)\.([a-z]{2,4})')
result=data.str.match(pattern) #这里用fillall的方法也可以result=data.str.findall(pattern)
print(result)
结果为：
chen [(8622, xinlang, com)]
li [(120, qq, com)]
sun [(5243, gmail, com)]
wang [(5632, qq, com)]
zhao NaN
dtype: object
此时加入我们需要提取邮箱前面的名称
print(result.str.get(0))
结果为：
或者需要邮箱所属的域名
print(result.str.get(1))
结果为：
当然也可以用切片的方式进行提取，不过提取的数据准确性不高
data = pd.Series({'li': '120@qq.com','wang':'5632@qq.com',
'chen': '8622@xinlang.com','zhao':np.nan,'sun':'5243@gmail.com'})
print(data.str[:6])
结果为：
最后我们了解下矢量化的字符串方法
更多python数据清洗系列之字符串处理详解相关文章请关注PHP中文网！
