提供了Python编程的基础技术教程

Python程序教程

您现在的位置是：首页 >  Python

当前栏目

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

字符,提取,字符串,正则表达式,去掉,乱码,中文,小写字母,Python,代码
2025-03-25 08:59:24 时间

大家好，又见面了，我是你们的朋友全栈君。

目录

1.乱码符号种类较少，用replace()

2.乱码字符种类较多，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数字

5.提取其他

数据清洗的时候一大烦恼就是数据中总有各种乱码字符，比如！@#￥%……&——+*（）{}：“》《？|【】‘；/。，、-=

去掉这些很简单：

1.乱码符号种类较少，用replace()

如果只是很少类型的乱码符号，可以使用replace来替换掉，由于我们只是针对字符串中个别字符进行替换，因此使用str.replace(“#”,””)即可；

#只有一类乱码字符串
df['name'] = df['name'].str.replace("#","")


#连续多个字符一起替换
df['name'] = df['name'].str.replace("#","").str.replace("&","").str.replace("*","")

2.乱码字符种类较多，用re.sub()

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


#输出：北京大学beijing985大学

这种方法的清洗，我们使用的其实是正则表达式，上述方法是提取了字符串中的中英文和数字，当然你也可以直提取中文，不同字符对应的 unicode 范围如下所示：

函数

说明

sub(pattern,repl,string)

把字符串中的所有匹配表达式pattern中的地方替换成repl

[^**]

表示不匹配此字符集中的任何一个字符

\u4e00-\u9fa5

汉字的unicode范围

\u0030-\u0039

数字的unicode范围

\u0041-\u005a

大写字母unicode范围

\u0061-\u007a

小写字母unicode范围

3.提取字符串中的中文字符

import re
string = "北京大学beijing985大学@#￥……&{}*@$%）..+_)(	"

#提取中文字符
string_code = re.sub(u"([^\u4e00-\u9fa5])","",string)
print(string_code )

#输出：北京大学大学

4.提取字符串中的中文字符和数字

import re
string = "北京大学beijing985大学@#￥……&{}*@$%）..+_)(	"

#提取中文字符和数字
string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",string)
print(string_code )

#输出：北京大学985大学

5.提取其他

至于提取其他字符，可以根据正则表达式的 unicode 范围，并参照上述三个例子敲代码。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/142840.html原文链接：https://javaforall.cn

相关文章