【Python自动化Excel】Python与pandas字符串操作

Python之所以能够成为流行的数据分析语言，有一部分原因在于其简洁易用的字符串处理能力。

Python的字符串对象封装了很多开箱即用的内置方法，处理单个字符串时十分方便；对于Excel、csv等表格文件中整列的批量字符串操作，pandas库也提供了简洁高效的处理函数，几乎与内置字符串函数一一对应。也就是说：

• 单个字符串处理，用Python内置的字符串方法；

• 表格整列的字符串处理，用pandas库中的字符串函数；

本文就以常用的数据处理需求，来对比使用以上两种方式的异同，从而加深对Python和pandas字符串操作的理解。（本文所有数据都是为了演示用的假数据，切勿当真！）

)

场景：在问卷收集的姓名字段中，不少填写者会误输入空格，造成数据匹配不一致的问题。

names = '刘    备、关  羽、   张 飞、赵   云、马 超、黄 忠'
names = names.replace(' ','')
print(names)

output

刘备、关羽、张飞、赵云、马超、黄忠

df['姓名'] = df['姓名'].str.replace(' ','')

output

场景：在问卷收集数据的时候，多选题的数据往往是带有分隔符的。在分类汇总前往往需要按分隔符进行分列。

hobbyStr = "足球┋排球┋羽毛球┋篮球"
hobbyList = hobbyStr.split('┋')

output

['足球', '排球', '羽毛球', '篮球']

# 利用split进行分列，expand = True 返回dataframe；expand=False返回Series
hobbyDf = df['爱好'].str.split('|', expand=True)
# 将hobbyDf 与 df安装索引合并
df2 = pd.merge(df, hobbyDf, how="left", left_index=True, right_index=True)

字符串是由一个个字符组成的序列，在Python中可以直接对字符串进行切片操作，来进行截取数据。

如“XX市四季家园二区22幢203室”，可以看作是下图中16个字符值组成的序列。而切片的语法是：

addressStr = "XX市四季家园二区22幢203室"
print(f"城市：{addressStr[:3]}")
print(f"小区：{addressStr[3:9]}")

output

城市：XX市
小区：四季家园二区

• 提取城市名称，由于城市名称的字数相同，可以直接切片截取前三个。

df["城市"] = df["地址"].str[:3]

• 提取小区名，稍有点复杂。因为小区名称长度是不一样长的。可以利用字符串处理的天花板：正则表达式。详细处理方法，见下文五、正则表达式示例1。

有时候，我们在电脑中按文件名排序的时候，你可能会遇到下面的情况：

在不同系统中，我们希望是按数值排序，但偏偏系统却是按字符排序的，如某些车载播放器中。比较好的解决方法就是在前面添加0，补齐数据位数。数据量大的时候，手动修改很麻烦，Python字符串处理的zfill()函数就可以解决这个问题。

myStr = "1章节"
print(myStr.zfill(4))  # 整个字符串补齐到4位

output

01章节

df["新文件名"] = "第"+df["文件名"].str[1:].str.zfill(8)

配合os.rename()便可以批量重命名。关键代码如下

df.apply(lambda x: os.rename( path + x["文件名"], path + x["新文件名"]), axis=1)

遇到复杂的字符串处理需求时，Python有优势就可以体现出来了。因为python和pandas有一个超强的字符串处理武器：正则表达式。正则表达式可以匹配字符串的格式特点，如电子邮箱的地址格式、网址的地址格式、电话号码格式等。如何写好正则表达式，这是一门精深的学问，本文介绍几个正则表达式的常用案例，浅尝辄止。

注：Python默认不支持正则表达式语法，而pandas直接支持正则表达式语法，这里重点介绍pandas处理表格数据。

思路：

• 提取上面小区名，可以归纳一下地址中小区名的格式特点：苏州市之后，幢号数字之前的中文字符。

• Series的str.extract()，可用正则从字符数据中抽取匹配的数据；

## 匹配中文字符的正则表达式： [\u4e00-\u9fa5]
pattern = r'苏州市([\u4e00-\u9fa5]+)[0-9]+幢'
df["小区"] = df["地址"].str.extract(pattern, expand=False)

思路：几幢几室，格式都是数字+幢和数字+室

• 数字可以用[0-9]或\d来匹配；
• +表示1个或多个。

pattern = r'([0-9]+)幢'
df["幢号"] = df["地址"].str.extract(pattern, expand=False)

pattern = r'(\d+)室'
df["室号"] = df["地址"].str.extract(pattern, expand=False)

apply 函数：可以对DateFrame进行逐行或逐列进行处理。

将幢号为奇数的为A区，偶数的为B区

# 定义处理的函数，共apply函数调用，传入的参数为一个Series对象
def my_func(series):
    if (series["幢号"]) % 2 != 0:
        return "A区"
    else:
        return "B区"

df["幢号分类"] = df.apply(my_func, axis=1)

上述代码中apply函数，有两个参数

• 第一个参数：处理逻辑的函数名。主要传入名称，这里为my_func；
• 第二个参数：axis = 1，表示按列处理。即传入的是每一行的Series。

output

def my_func2(series):
    # 映射字典，key为小区名，value为小区称号
    my_dict = {
    '吉祥如意家园': '最佳好运小区', 
    '科技村': '最佳科创小区',
     '四季家园': '最佳风光小区', 
     '万象更新家园': '最佳风采小区',
    }
    # 每一行小区名称，切片截取至倒数第2个，即-2
    nameKey = series['小区'][:-2]
    return my_dict[nameKey]

df["小区称号"] = df.apply(my_func2, axis=1)

output

本文演示的字符串操作：替换、分列、切片截取、补齐数据、正则表达式、apply()函数常见于数据分析的数据清洗环节，替换、分列、切片截取在Excel中也很容易实现，正则表达式可以说是Python处理复杂字符串问题的一大利器，apply()函数可以实现自定义函数处理表格型的数据，十分灵活、威力巨大。由于篇幅有限，正则表达式、apply()函数本文就点到为止，今后值得整理更多相关案例。