共计 2560 个字符，预计需要花费 7 分钟才能阅读完成。
大家好，我是 Jiejie
明天筹备介绍一篇 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工作而创立的。它提供了大量能使咱们疾速便捷地解决数据的函数和办法。本文介绍的这 20 个【被分成了 15 组】函数，相对是 数据处理 杀手，用了你会爱不释手。
结构数据集
这里为大家先 结构一个数据集，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','女','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'],
'支出':['1.1 万','8.5 千','0.9 万','6.5 千','2.0 万']}
df = pd.DataFrame(df)
df效果图：
1. cat 函数
这个函数次要用于 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
这个函数次要用于 判断某个字符串是否蕴含给定字符；
df["家庭住址"].str.contains("广")</pre>效果图：
3. startswith、endswith 函数
这个函数次要用于 判断某个字符串是否以... 结尾 / 结尾；
# 第一个行的“黄伟”是以空格结尾的
df["姓名"].str.startswith("黄")
df["英文名"].str.endswith("e")</pre>效果图：
4. count 函数
这个函数次要用于 计算给定字符在字符串中呈现的次数；
df["电话号码"].str.count("3")</pre>效果图：
5. get 函数
这个函数次要用于 获取指定地位的字符串；
df["姓名"].str.get(-1)
df["身高"].str.split(":")
df["身高"].str.split(":").str.get(0)</pre>效果图：
6. len 函数
这个函数次要用于 计算字符串长度；
df["性别"].str.len()</pre>效果图：
7. upper、lower 函数
这个函数次要用于 英文大小写转换；
df["英文名"].str.upper()
df["英文名"].str.lower()</pre>效果图：
8. pad+side 参数 /center 函数
这个函数次要用于 在字符串的右边、左边或左右两边增加给定字符；
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="*")</pre>效果图：
9. repeat 函数
这个函数次要用于 反复字符串几次；
df["性别"].str.repeat(3)</pre>效果图：
10. slice_replace 函数
这个函数次要用于 应用给定的字符串，替换指定的地位的字符；
df["电话号码"].str.slice_replace(4,8,"*"*4)</pre>效果图：
11. replace 函数
这个函数次要用于 将指定地位的字符，替换为给定的字符串；
df["身高"].str.replace(":","-")</pre>效果图：
这个函数还 承受正则表达式，将指定地位的字符，替换为给定的字符串。
df["支出"].str.replace("\d+\.\d+","正则")</pre>效果图：
12. split 办法 +expand 参数
这个函数次要用于 将一列扩大为好几列；
# 一般用法
df["身高"].str.split(":")
# split 办法，搭配 expand 参数
df[["身高形容","final 身高"]] = df["身高"].str.split(":",expand=True)
df
# split 办法搭配 join 办法
df["身高"].str.split(":").str.join("?"*5)</pre>效果图：
13. strip、rstrip、lstrip 函数
这个函数次要用于 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()</pre>效果图：
14. findall 函数
这个函数次要用于 利用正则表达式，去字符串中匹配，返回查找后果的列表；
df["身高"]
df["身高"].str.findall("[a-zA-Z]+")</pre>效果图：
15. extract、extractall 函数
这个函数次要用于 承受正则表达式，抽取匹配的字符串(肯定要加上括号)；
df["身高"].str.extract("([a-zA-Z]+)")
# extractall 提取失去复合索引
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)</pre>效果图：
如果你感觉这篇文章，对你有点用的话，不要遗记三连哦，因为这将是我继续输入更多优质文章的最强能源！
正文完
