今天准备介绍一篇超级肝货!

Pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。它提供了大量能使我们快速便捷地处理数据的函数和方法。

本文介绍的这20个【被分成了15组】函数，绝对是数据处理杀手，用了你会爱不释手。

构造数据集

这里为大家先构造一个数据集，用于为大家演示这20个函数。

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,Ů,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:[1.1万,8.5ǧ,0.9万,6.5ǧ,2.0万]} df = pd.DataFrame(df) df

效果图：

1. cat函数

这个函数主要用于字符串的拼接;

df[“姓名”].str.cat(df[“家庭住址”],sep=-*3)

效果图：

2. contains函数

这个函数主要用于判断某个字符串是否包含给定字符;

df[“家庭住址”].str.contains(“广”)

效果图：

3. startswith、endswith函数

这个函数主要用于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”)

效果图：

4. count函数

这个函数主要用于计算给定字符在字符串中出现的次数;

df[“电话号码”].str.count(“3”)

效果图：

5. get函数

这个函数主要用于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)

效果图：

6. len函数

这个函数主要用于计算字符串长度;

df[“性别”].str.len()

效果图：

7. upper、lower函数

这个函数主要用于英文大小写转换;

df[“英文名”].str.upper() df[“英文名”].str.lower()

效果图：

8. pad+side参数/center函数

这个函数主要用于在字符串的左边、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=”*”)

效果图：

9. repeat函数

这个函数主要用于重复字符串几次;

df[“性别”].str.repeat(3)

效果图：

10. slice_replace函数

这个函数主要用于使用给定的字符串，替换指定的位置的字符;

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

效果图：

11. replace函数

这个函数主要用于将指定位置的字符，替换为给定的字符串;

df[“身高”].str.replace(“:”,”-“)

效果图：

这个函数还接受正则表达式，将指定位置的字符，替换为给定的字符串。

df[“收入”].str.replace(“d+.d+”,”正则”)

效果图：

12. split方法+expand参数

这个函数主要用于将一列扩展为好几列;

# 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)

效果图：

13. strip、rstrip、lstrip函数

这个函数主要用于去除空白符、换行符;

df[“姓名”].str.len() df[“姓名”] = df[“姓名”].str.strip() df[“姓名”].str.len()

效果图：

14. findall函数

这个函数主要用于利用正则表达式，去字符串中匹配，返回查找结果的列表;

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

效果图：

15. extract、extractall函数

这个函数主要用于接受正则表达式，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)

效果图：