【Pandas】数据处理方法
1.数据拆分
pandas.Series.str.extract()
Series.str.extract(pat, flags=0, expand=True)[source]
extract(提取)
参数
pat: 带分组的正则表达式。
flag: re模块中的标志，例如re.IGNORECASE，修改正则表达式匹配的大小写、空格等
expand: 默认为True，如果为 True，则返回每个捕获组一列的 DataFrame。如果为 False，则如果有一个捕获组则返回 Series/Index，如果有多个捕获组则返回 DataFrame
例子
jobs_df['site'].head()0 北京 海淀区 西山
1 北京 朝阳区 酒仙桥
2 北京 朝阳区 十里堡
3 北京 石景山区 八宝山
4 北京 朝阳区 三元桥
Name: site, dtype: object使用extract提取地址关键词，这里的?P<>是为组命名，这样就能自动给定columns
jobs_df['site'].str.extract(r"(?P<city>\S{,})\s{0,3}(?P<part>\S{,})\s{0,3}(?P<street>\S{,})").head() city part street
0 北京 海淀区 西山
1 北京 朝阳区 酒仙桥
2 北京 朝阳区 十里堡
3 北京 石景山区 八宝山
4 北京 朝阳区 三元桥2.数据分箱
pandas.cut
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise', ordered=True)参数
x: 要分箱的一维数组或者序列。
bins: 整数或者序列，定义分段的边界。整数表示等分的段数，序列表示每个分段的具体边界。
right: 判断右边界是否闭合，默认为True。如果right == True, 则 bins = [1, 2, 3, 4] 箱子为 (1,2], (2,3], (3,4]。(这个参数只影响右边界)
labels: 箱子的标签
例子
bj_df.head()姓名 出生年月 单位名称 积分分值 年龄
公示编号
202300001 张浩 1977-02-01 北京首钢股份有限公司 140.05 45
202300002 冯云 1982-02-01 中国人民解放军空军二十三厂 134.29 40
202300003 王天东 1975-01-01 中建二局第三建筑工程有限公司 133.63 48
202300004 陈军 1976-07-01 中建二局第三建筑工程有限公司 133.29 46
202300005 樊海瑞 1981-06-01 中国民生银行股份有限公司 132.46 41bj_df['年龄段'] =
pd.cut(x=bj_df.年龄,bins=[35,40,45,50,60],right=False,labels=['35-40','40-45','45-50','50-60'])公示编号 姓名 出生年月 单位名称 积分分值 age box
0 202300001 张浩 1977-02-01 北京首钢股份有限公司 140.05 45 40-45
1 202300002 冯云 1982-02-01 中国人民解放军空军二十三厂 134.29 40 35-40
2 202300003 王天东 1975-01-01 中建二局第三建筑工程有限公司 133.63 48 45-50
3 202300004 陈军 1976-07-01 中建二局第三建筑工程有限公司 133.29 46 45-50
4 202300005 樊海瑞 1981-06-01 中国民生银行股份有限公司 132.46 41 40-45# 与bins=4的结果一样
bj_df['box'] = pd.cut(bj_df['age'], bins=4, right = False, labels=['35-40','40-45','45-50','50-60'])
bj_df.head()