【Python自動化Excel】Python與pandas字串操作

Python之所以能夠成為流行的資料分析語言，有一部分原因在于其簡潔易用的字串處理能力，

Python的字串物件封裝了很多開箱即用的內置方法，處理單個字串時十分方便；對于Excel、csv等表格檔案中整列的批量字串操作，pandas庫也提供了簡潔高效的處理函式，幾乎與內置字串函式一一對應，也就是說：

• 單個字串處理，用Python內置的字串方法；

• 表格整列的字串處理，用pandas庫中的字串函式；

本文就以常用的資料處理需求，來對比使用以上兩種方式的異同，從而加深對Python和pandas字串操作的理解，（本文所有資料都是為了演示用的假資料，切勿當真！）

)

一、替換（去除空格）

場景：在問卷收集的姓名欄位中，不少填寫者會誤輸入空格，造成資料匹配不一致的問題，

Python

names = '劉    備、關  羽、   張 飛、趙   云、馬 超、黃 忠'
names = names.replace(' ','')
print(names)

output

劉備、關羽、張飛、趙云、馬超、黃忠

pandas

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

output

二、分列

場景：在問卷收集資料的時候，多選題的資料往往是帶有分隔符的，在分類匯總前往往需要按分隔符進行分列，

Python

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

output

['足球', '排球', '羽毛球', '籃球']

pandas

# 利用split進行分列，expand = True 回傳dataframe；expand=False回傳Series
hobbyDf = df['愛好'].str.split('|', expand=True)
# 將hobbyDf 與 df安裝索引合并
df2 = pd.merge(df, hobbyDf, how="left", left_index=True, right_index=True)

三、切片：截取資料

字串是由一個個字符組成的序列，在Python中可以直接對字串進行切片操作，來進行截取資料，

如“XX市四季家園二區22幢203室”，可以看作是下圖中16個字符值組成的序列，而切片的語法是：

Python

addressStr = "XX市四季家園二區22幢203室"
print(f"城市：{addressStr[:3]}")
print(f"小區：{addressStr[3:9]}")

output

城市：XX市
小區：四季家園二區

pandas

• 提取城市名稱，由于城市名稱的字數相同，可以直接切片截取前三個，

df["城市"] = df["地址"].str[:3]

• 提取小區名，稍有點復雜，因為小區名稱長度是不一樣長的，可以利用字串處理的天花板：正則運算式，詳細處理方法，見下文五、正則運算式示例1，

四、補齊資料

有時候，我們在電腦中按檔案名排序的時候，你可能會遇到下面的情況：

在不同系統中，我們希望是按數值排序，但偏偏系統卻是按字符排序的，如某些車載播放器中，比較好的解決方法就是在前面添加0，補齊資料位數，資料量大的時候，手動修改很麻煩，Python字串處理的zfill()函式就可以解決這個問題，

Python

myStr = "1章節"
print(myStr.zfill(4))  # 整個字串補齊到4位

output

01章節

pandas

df["新檔案名"] = "第"+df["檔案名"].str[1:].str.zfill(8)

配合os.rename()便可以批量重命名，關鍵代碼如下

df.apply(lambda x: os.rename( path + x["檔案名"], path + x["新檔案名"]), axis=1)

五、正則運算式

遇到復雜的字串處理需求時，Python有優勢就可以體現出來了，因為python和pandas有一個超強的字串處理武器：正則運算式，正則運算式可以匹配字串的格式特點，如電子郵箱的地址格式、網址的地址格式、電話號碼格式等，如何寫好正則運算式，這是一門精深的學問，本文介紹幾個正則運算式的常用案例，淺嘗輒止，

注：Python默認不支持正則運算式語法，而pandas直接支持正則運算式語法，這里重點介紹pandas處理表格資料，

1.提取長度不一樣的小區名

思路：

• 提取上面小區名，可以歸納一下地址中小區名的格式特點：蘇州市之后，幢號數字之前的中文字符，

• Series的str.extract()，可用正則從字符資料中抽取匹配的資料；

## 匹配中文字符的正則運算式： [\u4e00-\u9fa5]
pattern = r'蘇州市([\u4e00-\u9fa5]+)[0-9]+幢'
df["小區"] = df["地址"].str.extract(pattern, expand=False)

2.提取幾幢幾室

思路：幾幢幾室，格式都是數字+幢和數字+室

• 數字可以用[0-9]或\d來匹配；
• +表示1個或多個，

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

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

六、apply函式

apply 函式：可以對DateFrame進行逐行或逐列進行處理，

1.增加一列，將幢號按照奇偶數分類

將幢號為奇數的為A區，偶數的為B區

# 定義處理的函式，共apply函式呼叫，傳入的引數為一個Series物件
def my_func(series):
    if (series["幢號"]) % 2 != 0:
        return "A區"
    else:
        return "B區"

df["幢號分類"] = df.apply(my_func, axis=1)

上述代碼中apply函式，有兩個引數

• 第一個引數：處理邏輯的函式名，主要傳入名稱，這里為my_func；
• 第二個引數：axis = 1，表示按列處理，即傳入的是每一行的Series，

output

2.增加一列，字典映射

def my_func2(series):
    # 映射字典，key為小區名，value為小區稱號
    my_dict = {
    '吉祥如意家園': '最佳好運小區', 
    '科技村': '最佳科創小區',
     '四季家園': '最佳風光小區', 
     '萬象更新家園': '最佳風采小區',
    }
    # 每一行小區名稱，切片截取至倒數第2個，即-2
    nameKey = series['小區'][:-2]
    return my_dict[nameKey]

df["小區稱號"] = df.apply(my_func2, axis=1)

output

結語

本文演示的字串操作：替換、分列、切片截取、補齊資料、正則運算式、apply()函式常見于資料分析的資料清洗環節，替換、分列、切片截取在Excel中也很容易實作，正則運算式可以說是Python處理復雜字串問題的一大利器，apply()函式可以實作自定義函式處理表格型的資料，十分靈活、威力巨大，由于篇幅有限，正則運算式、apply()函式本文就點到為止，今后值得整理更多相關案例，