Python Pandas - Trabalhando com dados de texto
Neste capítulo, discutiremos as operações de string com nossa Série / Índice básico. Nos capítulos subsequentes, aprenderemos como aplicar essas funções de string no DataFrame.
O Pandas oferece um conjunto de funções de string que facilitam a operação com dados de string. Mais importante ainda, essas funções ignoram (ou excluem) valores ausentes / NaN.
Quase, todos esses métodos funcionam com funções de string Python (consulte: https://docs.python.org/3/library/stdtypes.html#string-methods) Portanto, converta o objeto de série em objeto de seqüência de caracteres e execute a operação.
Vamos agora ver o desempenho de cada operação.
Sr. Não | Descrição da função |
---|---|
1 | lower() Converte strings na série / índice em minúsculas. |
2 | upper() Converte strings na série / índice em maiúsculas. |
3 | len() Calcula o comprimento da string (). |
4 | strip() Ajuda a remover espaços em branco (incluindo nova linha) de cada string na série / índice de ambos os lados. |
5 | split(' ') Divide cada string com o padrão fornecido. |
6 | cat(sep=' ') Concatena os elementos da série / índice com o separador fornecido. |
7 | get_dummies() Retorna o DataFrame com valores One-Hot Encoded. |
8 | contains(pattern) Retorna um valor booleano True para cada elemento se a substring contiver no elemento, caso contrário, False. |
9 | replace(a,b) Substitui o valor a com o valor b. |
10 | repeat(value) Repete cada elemento com o número especificado de vezes. |
11 | count(pattern) Retorna a contagem da aparência do padrão em cada elemento. |
12 | startswith(pattern) Retorna verdadeiro se o elemento na Série / Índice começar com o padrão. |
13 | endswith(pattern) Retorna verdadeiro se o elemento na Série / Índice terminar com o padrão. |
14 | find(pattern) Retorna a primeira posição da primeira ocorrência do padrão. |
15 | findall(pattern) Retorna uma lista de todas as ocorrências do padrão. |
16 | swapcase Troca a caixa entre inferior / superior. |
17 | islower() Verifica se todos os caracteres em cada string na Série / Índice estão em minúsculas ou não. Retorna booleano |
18 | isupper() Verifica se todos os caracteres em cada string na Série / Índice estão em maiúsculas ou não. Retorna Boolean. |
19 | isnumeric() Verifica se todos os caracteres em cada string na Série / Índice são numéricos. Retorna Boolean. |
Vamos agora criar uma série e ver como todas as funções acima funcionam.
import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s
Está output é o seguinte -
0 Tom
1 William Rick
2 John
3 Alber@t
4 NaN
5 1234
6 Steve Smith
dtype: object
mais baixo()
import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.lower()
Está output é o seguinte -
0 tom
1 william rick
2 john
3 alber@t
4 NaN
5 1234
6 steve smith
dtype: object
superior()
import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.upper()
Está output é o seguinte -
0 TOM
1 WILLIAM RICK
2 JOHN
3 ALBER@T
4 NaN
5 1234
6 STEVE SMITH
dtype: object
len ()
import pandas as pd
import numpy as np
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveSmith'])
print s.str.len()
Está output é o seguinte -
0 3.0
1 12.0
2 4.0
3 7.0
4 NaN
5 4.0
6 10.0
dtype: float64
faixa()
import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("After Stripping:")
print s.str.strip()
Está output é o seguinte -
0 Tom
1 William Rick
2 John
3 Alber@t
dtype: object
After Stripping:
0 Tom
1 William Rick
2 John
3 Alber@t
dtype: object
divisão (padrão)
import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("Split Pattern:")
print s.str.split(' ')
Está output é o seguinte -
0 Tom
1 William Rick
2 John
3 Alber@t
dtype: object
Split Pattern:
0 [Tom, , , , , , , , , , ]
1 [, , , , , William, Rick]
2 [John]
3 [Alber@t]
dtype: object
gato (sep = padrão)
import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.cat(sep='_')
Está output é o seguinte -
Tom _ William Rick_John_Alber@t
get_dummies ()
import pandas as pd
import numpy as np
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.get_dummies()
Está output é o seguinte -
William Rick Alber@t John Tom
0 0 0 0 1
1 1 0 0 0
2 0 0 1 0
3 0 1 0 0
contém ()
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.contains(' ')
Está output é o seguinte -
0 True
1 True
2 False
3 False
dtype: bool
substituir (a, b)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s
print ("After replacing @ with $:")
print s.str.replace('@','$')
Está output é o seguinte -
0 Tom
1 William Rick
2 John
3 Alber@t
dtype: object
After replacing @ with $:
0 Tom
1 William Rick
2 John
3 Alber$t
dtype: object
repetir (valor)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.repeat(2)
Está output é o seguinte -
0 Tom Tom
1 William Rick William Rick
2 JohnJohn
3 Alber@tAlber@t
dtype: object
contagem (padrão)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("The number of 'm's in each string:")
print s.str.count('m')
Está output é o seguinte -
The number of 'm's in each string:
0 1
1 1
2 0
3 0
começa com (padrão)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that start with 'T':")
print s.str. startswith ('T')
Está output é o seguinte -
0 True
1 False
2 False
3 False
dtype: bool
endswith (padrão)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that end with 't':")
print s.str.endswith('t')
Está output é o seguinte -
Strings that end with 't':
0 False
1 False
2 False
3 True
dtype: bool
encontrar (padrão)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.find('e')
Está output é o seguinte -
0 -1
1 -1
2 -1
3 3
dtype: int64
"-1" indica que esse padrão não está disponível no elemento.
findall (padrão)
import pandas as pd
s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print s.str.findall('e')
Está output é o seguinte -
0 []
1 []
2 []
3 [e]
dtype: object
Lista nula ([]) indica que não existe tal padrão disponível no elemento.
swapcase ()
import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.swapcase()
Está output é o seguinte -
0 tOM
1 wILLIAM rICK
2 jOHN
3 aLBER@T
dtype: object
é inferior()
import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.islower()
Está output é o seguinte -
0 False
1 False
2 False
3 False
dtype: bool
isupper ()
import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.isupper()
Está output é o seguinte -
0 False
1 False
2 False
3 False
dtype: bool
isnumeric ()
import pandas as pd
s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
print s.str.isnumeric()
Está output é o seguinte -
0 False
1 False
2 False
3 False
dtype: bool