目錄

1.亂碼符號種類較少，用replace()

2.亂碼字符種類較多，用re.sub()

3.提取字符串中的中文字符

4.提取字符串中的中文字符和數(shù)字

5.提取其他

---

數(shù)據(jù)清洗的時候一大煩惱就是數(shù)據(jù)中總有各種亂碼字符，比如！@#￥%……&——+*（）{}：“》《？|【】‘；/。，、-=

去掉這些很簡單：

1.亂碼符號種類較少，用replace()

如果只是很少類型的亂碼符號，可以使用replace來替換掉，由于我們只是針對字符串中個別字符進行替換，因此使用str.replace("#","")即可；

#只有一類亂碼字符串 df['name'] = df['name'].str.replace("#","")#連續(xù)多個字符一起替換 df['name'] = df['name'].str.replace("#","").str.replace("&","").str.replace("*","")

2.亂碼字符種類較多，用re.sub()

import re string = "北京大學(xué)beijing985大學(xué)@#￥……&{}*@$%）..+_)( " string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])","",string) print(string_code )#輸出：北京大學(xué)beijing985大學(xué)

這種方法的清洗，我們使用的其實是正則表達式，上述方法是提取了字符串中的中英文和數(shù)字，當然你也可以直提取中文，不同字符對應(yīng)的?unicode 范圍如下所示：

函數(shù)	說明
sub(pattern,repl,string)	把字符串中的所有匹配表達式pattern中的地方替換成repl
[^**]	表示不匹配此字符集中的任何一個字符
\u4e00-\u9fa5	漢字的unicode范圍
\u0030-\u0039	數(shù)字的unicode范圍
\u0041-\u005a	大寫字母unicode范圍
\u0061-\u007a	小寫字母unicode范圍

3.提取字符串中的中文字符

import re string = "北京大學(xué)beijing985大學(xué)@#￥……&{}*@$%）..+_)( "#提取中文字符 string_code = re.sub(u"([^\u4e00-\u9fa5])","",string) print(string_code )#輸出：北京大學(xué)大學(xué)

4.提取字符串中的中文字符和數(shù)字

import re string = "北京大學(xué)beijing985大學(xué)@#￥……&{}*@$%）..+_)( "#提取中文字符和數(shù)字 string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",string) print(string_code )#輸出：北京大學(xué)985大學(xué)

5.提取其他

至于提取其他字符，可以根據(jù)正則表達式的?unicode 范圍，并參照上述三個例子敲代碼。

總結(jié)

以上是生活随笔為你收集整理的正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。