Python酷库之旅-第三方库Pandas(075)

目录

一、用法精讲

306、pandas.Series.str.cat方法

306-1、语法

306-2、参数

306-3、功能

306-4、返回值

306-5、说明

306-6、用法

306-6-1、数据准备

306-6-2、代码示例

306-6-3、结果输出

307、pandas.Series.str.center方法

307-1、语法

307-2、参数

307-3、功能

307-4、返回值

307-5、说明

307-6、用法

307-6-1、数据准备

307-6-2、代码示例

307-6-3、结果输出

308、pandas.Series.str.contains函数

308-1、语法

308-2、参数

308-3、功能

308-4、返回值

308-5、说明

308-6、用法

308-6-1、数据准备

308-6-2、代码示例

308-6-3、结果输出

309、pandas.Series.str.count方法

309-1、语法

309-2、参数

309-3、功能

309-4、返回值

309-5、说明

309-6、用法

309-6-1、数据准备

309-6-2、代码示例

309-6-3、结果输出

310、pandas.Series.str.decode函数

310-1、语法

310-2、参数

310-3、功能

310-4、返回值

310-5、说明

310-6、用法

310-6-1、数据准备

310-6-2、代码示例

310-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

306、pandas.Series.str.cat方法
306-1、语法
# 306、pandas.Series.str.cat方法
pandas.Series.str.cat(others=None, sep=None, na_rep=None, join='left')
Concatenate strings in the Series/Index with given separator.If others is specified, this function concatenates the Series/Index and elements of others element-wise. If others is not passed, then all values in the Series/Index are concatenated into a single string with a given sep.Parameters:
othersSeries, Index, DataFrame, np.ndarray or list-like
Series, Index, DataFrame, np.ndarray (one- or two-dimensional) and other list-likes of strings must have the same length as the calling Series/Index, with the exception of indexed objects (i.e. Series/Index/DataFrame) if join is not None.If others is a list-like that contains a combination of Series, Index or np.ndarray (1-dim), then all elements will be unpacked and must satisfy the above criteria individually.If others is None, the method returns the concatenation of all strings in the calling Series/Index.sepstr, default ‘’
The separator between the different elements/columns. By default the empty string ‘’ is used.na_repstr or None, default None
Representation that is inserted for all missing values:If na_rep is None, and others is None, missing values in the Series/Index are omitted from the result.If na_rep is None, and others is not None, a row containing a missing value in any of the columns (before concatenation) will have a missing value in the result.join{‘left’, ‘right’, ‘outer’, ‘inner’}, default ‘left’
Determines the join-style between the calling Series/Index and any Series/Index/DataFrame in others (objects without an index need to match the length of the calling Series/Index). To disable alignment, use .values on any Series/Index/DataFrame in others.Returns:
str, Series or Index
If others is None, str is returned, otherwise a Series/Index (same type as caller) of objects is returned.
306-2、参数

306-2-1、others(可选,默认值为None)表示要与当前Series合并的其他Series,可以是一个Series对象的列表,或者是单个Series。

306-2-2、sep(可选,默认值为None)用于连接字符串的分隔符,若为None,则不使用分隔符。

306-2-3、na_rep(可选,默认值为None)指定如何表示缺失值(NaN),若为None,则缺失值不会被替代。

306-2-4、join(可选,默认值为'left')指定合并方式,选项有:

306-2-4-1、'left':仅包含左侧Series中存在的索引。

306-2-4-2、'right':仅包含右侧Series中存在的索引。

306-2-4-3、'outer':包含所有索引(并集)。

306-2-4-4、'inner':仅包含所有Series中都存在的索引(交集)。

306-3、功能

        用于将多个字符串序列按指定的分隔符连接成一个新的字符串序列,它可以处理多个字符串列的合并,并提供了灵活的参数选项以满足不同的需求。

306-4、返回值

        返回一个新的Series对象,其中每个元素都是合并后的字符串。

306-5、说明

        使用场景:

306-5-1、数据整合:在数据分析中,通常需要将来自不同数据源的字符串数据合并。例如,将不同字段的信息合并为一个完整的描述字段,假设有两个Series分别包含用户的名字和姓氏,可以使用该方法将它们合并为全名。

306-5-2、生成报告或日志:当生成报告或日志时,可能需要将多个信息字段合并为一个字符串。例如,在日志记录中,你可能需要将时间戳、事件类型和消息内容合并为一个完整的日志条目。

306-5-3、数据清理:在数据清理过程中,可能会需要将不同列中的字符串合并,以便进一步分析或建模。例如,将地址的各个组成部分(街道、城市、州、邮政编码)合并为一个完整的地址字段。

306-5-4、特征工程:在机器学习中的特征工程阶段,可能会需要将多个特征列的字符串合并为一个特征,以便更好地捕捉数据中的模式。例如,将用户的兴趣爱好、职业和教育背景合并为一个综合的特征,用于模型训练。

306-5-5、数据可视化:在数据可视化过程中,可能需要将数据的不同部分合并为一个标签或标题,以提高图表的可读性。例如,将产品名称、类别和价格合并为图表中的标签。

306-5-6、数据格式化:在处理数据导出或报告生成时,可能需要将多个数据项合并为特定格式的字符串。例如,将日期、时间和地点合并为一个格式化的事件字符串。

306-6、用法
306-6-1、数据准备
306-6-2、代码示例
# 306、pandas.Series.str.cat方法
# 306-1、数据整合:合并用户的名字和姓氏
import pandas as pd
# 创建包含名字和姓氏的Series
first_names = pd.Series(['John', 'Jane', 'Alice'])
last_names = pd.Series(['Doe', 'Smith', 'Johnson'])
# 合并名字和姓氏为全名
full_names = first_names.str.cat(last_names, sep=' ')
print(full_names, end='\n\n')# 306-2、生成报告或日志:合并时间戳、事件类型和消息内容
import pandas as pd
# 创建包含时间戳、事件类型和消息内容的Series
timestamps = pd.Series(['2024-08-08 12:00', '2024-08-08 12:05'])
event_types = pd.Series(['INFO', 'ERROR'])
messages = pd.Series(['System started', 'Failed to connect'])
# 合并为完整的日志条目
logs = timestamps.str.cat([event_types, messages], sep=' - ')
print(logs, end='\n\n')# 306-3、数据清理:合并地址的各个组成部分
import pandas as pd
# 创建包含地址各部分的 Series
street = pd.Series(['123 Main St', '456 Maple Ave'])
city = pd.Series(['Springfield', 'Hometown'])
state = pd.Series(['IL', 'CA'])
zip_code = pd.Series(['62701', '90210'])
# 合并为完整的地址
addresses = street.str.cat([city, state, zip_code], sep=', ')
print(addresses, end='\n\n')# 306-4、特征工程:合并用户的兴趣爱好、职业和教育背景
import pandas as pd
# 创建包含用户兴趣爱好、职业和教育背景的Series
interests = pd.Series(['Reading, Hiking', 'Cooking, Traveling'])
occupations = pd.Series(['Engineer', 'Teacher'])
education = pd.Series(['PhD', 'Masters'])
# 合并为综合特征
features = interests.str.cat([occupations, education], sep=' | ')
print(features, end='\n\n')# 306-5、数据可视化:生成条形图的标签
import pandas as pd
import matplotlib.pyplot as plt
# 创建包含产品名称、类别和价格的Series
product_names = pd.Series(['Laptop', 'Smartphone', 'Tablet'])
categories = pd.Series(['Electronics', 'Electronics', 'Electronics'])
prices = pd.Series(['$999', '$699', '$399'])
# 合并为图表标签
labels = product_names.str.cat([categories, prices], sep=' - ')
# 创建一个示例数据框
data = pd.DataFrame({'Products': labels,'Sales': [150, 200, 120]  # 示例销售数据
})
# 绘制条形图
plt.figure(figsize=(10, 6))
plt.bar(data['Products'], data['Sales'], color='purple')
# 添加标题和标签
plt.title('Product Sales')
plt.xlabel('Product Details')
plt.ylabel('Sales')
# 旋转x轴标签,以便更好地显示
plt.xticks(rotation=45, ha='right')
# 显示图形
plt.tight_layout()
plt.show()# 306-6、数据格式化:合并日期、时间和地点
import pandas as pd
# 创建包含日期、时间和地点的Series
dates = pd.Series(['2024-08-08', '2024-08-09'])
times = pd.Series(['09:00', '15:00'])
locations = pd.Series(['Conference Room A', 'Meeting Hall B'])
# 合并为格式化的事件字符串
events = dates.str.cat([times, locations], sep=' ')
print(events)
306-6-3、结果输出
# 306、pandas.Series.str.cat方法
# 306-1、数据整合:合并用户的名字和姓氏
# 0         John Doe
# 1       Jane Smith
# 2    Alice Johnson
# dtype: object# 306-2、生成报告或日志:合并时间戳、事件类型和消息内容
# 0        2024-08-08 12:00 - INFO - System started
# 1    2024-08-08 12:05 - ERROR - Failed to connect
# dtype: object# 306-3、数据清理:合并地址的各个组成部分
# 0    123 Main St, Springfield, IL, 62701
# 1     456 Maple Ave, Hometown, CA, 90210
# dtype: object# 306-4、特征工程:合并用户的兴趣爱好、职业和教育背景
# 0          Reading, Hiking | Engineer | PhD
# 1    Cooking, Traveling | Teacher | Masters
# dtype: object# 306-5、数据可视化:生成条形图的标签
# 见图1# 306-6、数据格式化:合并日期、时间和地点
# 0    2024-08-08 09:00 Conference Room A
# 1       2024-08-09 15:00 Meeting Hall B
# dtype: object

图1:

307、pandas.Series.str.center方法
307-1、语法
# 307、pandas.Series.str.center方法
pandas.Series.str.center(width, fillchar=' ')
Pad left and right side of strings in the Series/Index.Equivalent to str.center().Parameters:
width
int
Minimum width of resulting string; additional characters will be filled with fillchar.fillchar
str
Additional character for filling, default is whitespace.Returns:
Series/Index of objects.
307-2、参数

307-2-1、with(必须)指定结果字符串的总宽度,如果字符串的长度小于width,则在字符串的两侧填充fillchar以达到指定的宽度;如果字符串的长度大于或等于width,则返回原始字符串。

307-2-2、fillchar(可选,默认值为空格字符' ')用于填充的字符,该字符将会被添加到字符串的左右两侧,以便将字符串扩展到指定的宽度。需要注意的是,fillchar必须是一个长度为1的字符。

307-3、功能

        用于将每个字符串元素居中对齐,该方法常用于需要对字符串进行格式化时,尤其是当你希望字符串在某个宽度内居中显示时。

307-4、返回值

        Series或Index,具体取决于调用方法的对象。每个元素都被扩展或保持原样,以便其长度达到指定的width;如果某个元素的长度已经等于或超过width,则该元素将不被修改。

307-5、说明

        使用场景:

307-5-1、文本对齐与格式化:在需要将文本居中对齐的场景中,此方法非常实用,无论是生成报表、打印输出还是构建文本表格,都需要确保每个文本单元格式统一、对齐整齐,通过使用该方法可以轻松地将字符串居中并填充左右两侧的空白,达到视觉上更美观的效果。

307-5-2、数据标准化:在数据清洗的过程中,经常会遇到不规则长度的字符串,为了后续处理的方便,有时需要将这些字符串统一为相同长度,该方法通过在字符串两侧添加指定字符,可以将所有字符串标准化为相同长度,从而简化数据处理过程。

307-5-3、文本界面显示:在命令行或控制台应用程序中,通常需要以美观的方式显示文本内容。例如,显示标题、菜单选项或提示信息时,通过使用该方法将文本居中,可以使界面更加整齐、美观。

307-5-4、报表生成:在生成文本报表或导出表格时,为了使各列数据对齐,可以使用该方法对数据进行格式化,通过统一每列数据的宽度,并将内容居中显示,报表看起来会更加规范和专业。

307-5-5、美观的用户界面:如果你在设计用户界面时需要展示一组居中的文本元素,例如按钮或标签,可以使用该方法将文本居中,使整个界面看起来更对称和美观。

307-6、用法
307-6-1、数据准备
307-6-2、代码示例
# 307、pandas.Series.str.center方法
# 307-1、文本对齐与格式化
import pandas as pd
# 创建列标题
headers = pd.Series(['Product Name', 'Price', 'Quantity'])
# 将列标题居中对齐并填充空格
centered_headers = headers.str.center(20)
print(centered_headers, end='\n\n')# 307-2、数据标准化
import pandas as pd
# 创建公司名称列表
companies = pd.Series(['Apple', 'Microsoft', 'Google', 'Amazon'])
# 将公司名称居中对齐并填充'*',统一长度为15个字符
centered_companies = companies.str.center(15, '*')
print(centered_companies, end='\n\n')# 307-3、文本界面显示
import pandas as pd
# 创建菜单选项列表
menu_options = pd.Series(['Start Game', 'Options', 'Quit'])
# 将菜单选项居中对齐并填充'-'
centered_menu = menu_options.str.center(30, '-')
print(centered_menu, end='\n\n')# 307-4、报表生成
import pandas as pd
# 创建报表数据
data = {'Product': ['Laptop', 'Smartphone', 'Tablet', 'Monitor'],'Price': [999.99, 699.99, 499.99, 199.99],'Quantity': [10, 20, 15, 7]
}
# 创建DataFrame
df = pd.DataFrame(data)
# 对Product列进行居中对齐并填充空格
df['Product'] = df['Product'].str.center(15)
# 打印格式化后的报表
print(df, end='\n\n')# 307-5、美观的用户界面
import pandas as pd
# 创建按钮标签列表
buttons = pd.Series(['OK', 'Cancel', 'Apply'])
# 将按钮标签居中对齐并填充'=',统一长度为10个字符
centered_buttons = buttons.str.center(10, '=')
print(centered_buttons)
307-6-3、结果输出
# 307、pandas.Series.str.center方法
# 307-1、文本对齐与格式化
# 0        Product Name
# 1           Price
# 2          Quantity
# dtype: object# 307-2、数据标准化
# 0    *****Apple*****
# 1    ***Microsoft***
# 2    *****Google****
# 3    *****Amazon****
# dtype: object# 307-3、文本界面显示
# 0    ----------Start Game----------
# 1    -----------Options------------
# 2    -------------Quit-------------
# dtype: object# 307-4、报表生成
#            Product   Price  Quantity
# 0       Laptop      999.99        10
# 1     Smartphone    699.99        20
# 2       Tablet      499.99        15
# 3      Monitor      199.99         7# 307-5、美观的用户界面
# 0    ====OK====
# 1    ==Cancel==
# 2    ==Apply===
# dtype: object
308、pandas.Series.str.contains函数
308-1、语法
# 308、pandas.Series.str.contains函数
pandas.Series.str.contains(pat, case=True, flags=0, na=None, regex=True)
Test if pattern or regex is contained within a string of a Series or Index.Return boolean Series or Index based on whether a given pattern or regex is contained within a string of a Series or Index.Parameters:
patstr
Character sequence or regular expression.casebool, default True
If True, case sensitive.flagsint, default 0 (no flags)
Flags to pass through to the re module, e.g. re.IGNORECASE.nascalar, optional
Fill value for missing values. The default depends on dtype of the array. For object-dtype, numpy.nan is used. For StringDtype, pandas.NA is used.regexbool, default True
If True, assumes the pat is a regular expression.If False, treats the pat as a literal string.Returns:
Series or Index of boolean values
A Series or Index of boolean values indicating whether the given pattern is contained within the string of each element of the Series or Index.
308-2、参数

308-2-1、pat(必须)指定要匹配的模式或字符串,这是你要在Series中查找的字符串模式,可以是简单的字符串或正则表达式。

308-2-2、case(可选,默认值为True)指定是否区分大小写,如果为True,则匹配时区分大小写;如果为False,则忽略大小写。

308-2-3、flags(可选,默认值为0)控制正则表达式匹配的标志,用于修改正则表达式的行为。例如,re.IGNORECASE(flags=re.I)可以与case=False类似,实现忽略大小写的匹配。

308-2-4、na(可选,默认值为None)指定在Series元素为缺失值时返回的布尔值,如果设置为True或False,缺失值将被替换为该布尔值;如果设置为None,缺失值将保持不变。

308-2-5、regex(可选,默认值为True)指定pat是否作为正则表达式进行处理,如果为True,则pat将被解释为正则表达式;如果为False,pat将被解释为普通的字符串。如果你不需要使用正则表达式,可以将其设置为False,以提高匹配速度。

308-3、功能

        用于检查每个字符串元素是否包含特定的模式(pat),并返回布尔值(True或False)的Series,用于标识每个元素是否包含该模式。

308-4、返回值

        返回一个布尔值的Series,每个元素对应原Series的一个元素,如果该元素包含匹配的模式,则返回True,否则返回False。

308-5、说明

        使用场景:

308-5-1、数据筛选与过滤:在一列包含字符串的数据中,查找包含特定关键词的行。例如,从新闻标题中筛选出包含某个关键词的文章。

308-5-2、数据清洗与预处理:检查数据中的字符串是否符合预期的模式。例如,检查电子邮件字段是否包含“@”符号,以识别无效的电子邮件地址。

308-5-3、特征工程:在构建机器学习模型时,将字符串数据中的模式匹配结果作为特征。例如,判断客户评论中是否包含正面或负面的关键词。

308-5-4、异常值检测:在文本数据中识别不常见或异常的模式。例如,在地址字段中检查是否包含无效字符或格式。

308-5-5、分类与标记:根据特定模式对数据进行分类或标记。例如,根据文章标题中是否包含“Breaking”来标记紧急新闻。

308-5-6、数据对比:比较不同数据源中的字符串字段,找出共同特征或差异。例如,比较用户输入的地址与标准地址列表是否匹配。

308-5-7、正则表达式的应用:通过正则表达式匹配复杂的字符串模式。例如,提取日志文件中的特定日志类型或错误信息。

308-6、用法
308-6-1、数据准备
308-6-2、代码示例
# 308、pandas.Series.str.contains函数
# 308-1、数据筛选与过滤
import pandas as pd
# 示例数据
data = pd.Series(['apple pie', 'banana bread', 'apple juice', 'grape soda'])
# 筛选包含“apple”的行
apple_products = data[data.str.contains('apple')]
print(apple_products, end='\n\n')# 308-2、数据清洗与预处理
import pandas as pd
# 示例数据
emails = pd.Series(['test@example.com', 'invalidemail.com', 'user@domain.com', 'another.invalidemail'])
# 筛选不包含“@”符号的行
invalid_emails = emails[~emails.str.contains('@')]
print(invalid_emails, end='\n\n')# 308-3、特征工程
import pandas as pd
# 示例数据
data = pd.DataFrame({'review': ['This is good', 'Very bad experience', 'Good value for money', 'Not good at all']
})
# 创建一个新特征,表示评论中是否包含“good”
data['contains_good'] = data['review'].str.contains('good', case=False)
print(data, end='\n\n')# 308-4、异常值检测
import pandas as pd
# 示例数据
addresses = pd.Series(['123 Main St.', '456 Elm St.', '!@#$% Invalid', '789 Oak St.'])
# 查找包含无效字符的地址
invalid_addresses = addresses[addresses.str.contains('[!@#$%^&*()]', regex=True)]
print(invalid_addresses, end='\n\n')# 308-5、分类与标记
import pandas as pd
# 示例数据
data = pd.DataFrame({'title': ['Breaking News: Market Crash', 'Daily Update', 'Breaking: New Law Passed', 'Weather Report']
})
# 标记标题中包含“Breaking”的行
data['is_breaking'] = data['title'].str.contains('Breaking')
print(data, end='\n\n')# 308-6、数据对比
import pandas as pd
# 示例数据
user_addresses = pd.Series(['123 Main St.', '456 Elm St.', '789 Oak St.', 'Unknown Address'])
standard_addresses = ['123 Main St.', '456 Elm St.', '789 Oak St.']
# 筛选出与标准地址匹配的用户输入地址
matched_addresses = user_addresses[user_addresses.str.contains('|'.join(standard_addresses))]
print(matched_addresses, end='\n\n')# 308-7、正则表达式的应用
import pandas as pd
# 示例数据
logs = pd.Series(['INFO: System running', 'ERROR: Disk full', 'INFO: Backup completed', 'ERROR: Network down'])
# 提取包含“ERROR”的日志行
error_logs = logs[logs.str.contains('ERROR')]
print(error_logs)
308-6-3、结果输出
# 308、pandas.Series.str.contains函数
# 308-1、数据筛选与过滤
# 0      apple pie
# 2    apple juice
# dtype: object# 308-2、数据清洗与预处理
# 1        invalidemail.com
# 3    another.invalidemail
# dtype: object# 308-3、特征工程
#                  review  contains_good
# 0          This is good           True
# 1   Very bad experience          False
# 2  Good value for money           True
# 3       Not good at all           True# 308-4、异常值检测
# 2    !@#$% Invalid
# dtype: object# 308-5、分类与标记
#                          title  is_breaking
# 0  Breaking News: Market Crash         True
# 1                 Daily Update        False
# 2     Breaking: New Law Passed         True
# 3               Weather Report        False# 308-6、数据对比
# 0    123 Main St.
# 1     456 Elm St.
# 2     789 Oak St.
# dtype: object# 308-7、正则表达式的应用
# 1       ERROR: Disk full
# 3    ERROR: Network down
# dtype: object
309、pandas.Series.str.count方法
309-1、语法
# 309、pandas.Series.str.count方法
pandas.Series.str.count(pat, flags=0)
Count occurrences of pattern in each string of the Series/Index.This function is used to count the number of times a particular regex pattern is repeated in each of the string elements of the Series.Parameters:
pat
str
Valid regular expression.flags
int, default 0, meaning no flags
Flags for the re module. For a complete list, see here.**kwargs
For compatibility with other string methods. Not used.Returns:
Series or Index
Same type as the calling object containing the integer counts.
309-2、参数

309-2-1、pat(必须)一个正则表达式模式,用于匹配字符串中的子字符串,可以是简单的字符,也可以是复杂的正则表达式。

309-2-2、flags(可选,默认值为0)用于正则表达式的标志,可以修改正则表达式的行为,常用的标志包括:

  • re.IGNORECASE或re.I:忽略大小写匹配。
  • re.MULTILINE或re.M:将每行视为单独的字符串,允许^和$匹配每行的开始和结束。
  • re.DOTALL或re.S:让 . 匹配包括换行符在内的所有字符。
  • re.VERBOSE或re.X:允许你写更具可读性的正则表达式。
309-3、功能

        对每个字符串值应用正则表达式模式,并返回该模式在字符串中出现的次数,它可以用于整个Series,也就是每个字符串元素都会单独计算匹配次数。

309-4、返回值

        返回一个与原始Series 具有相同索引的新的Series,每个元素都是一个整数,表示pat在相应字符串中出现的次数。

309-5、说明

        无

309-6、用法
309-6-1、数据准备
309-6-2、代码示例
# 309、pandas.Series.str.count方法
# 309-1、基本用法
import pandas as pd
# 示例数据
data = pd.Series(['apple', 'banana', 'cherry', 'date', 'apple pie'])
# 统计每个字符串中 'a' 的出现次数
a_count = data.str.count('a')
print(a_count, end='\n\n')# 309-2、使用flags参数
import pandas as pd
import re
# 示例数据
data = pd.Series(['Apple', 'banana', 'Cherry', 'Date', 'apple pie'])
# 统计每个字符串中'a'的出现次数,忽略大小写
a_count_case_insensitive = data.str.count('a', flags=re.IGNORECASE)
print(a_count_case_insensitive)
309-6-3、结果输出
# 309、pandas.Series.str.count方法
# 309-1、基本用法
# 0    1
# 1    3
# 2    0
# 3    1
# 4    1
# dtype: int64# 309-2、使用flags参数
# 0    1
# 1    3
# 2    0
# 3    1
# 4    1
# dtype: int64
310、pandas.Series.str.decode函数
310-1、语法
# 310、pandas.Series.str.decode函数
pandas.Series.str.decode(encoding, errors='strict')
Decode character string in the Series/Index using indicated encoding.Equivalent to str.decode() in python2 and bytes.decode() in python3.Parameters:
encoding
str
errors
str, optional
Returns:
Series or Index
310-2、参数

310-2-1、encoding(必须)字符串,指定要使用的字符编码类型,例如'utf-8'、'ascii'、'latin-1'等,该参数定义了如何将二进制数据解码为字符串。

310-2-2、errors(可选,默认值为'strict')定义在解码过程中遇到错误时的处理方式,可选值如下:

  • 'strict'(默认值):遇到无法解码的字节时会引发一个UnicodeDecodeError。
  • 'ignore':忽略无法解码的字节,不会引发错误,也不会在结果中包含这些字节。
  • 'replace':用替代字符(通常是?或\uFFFD)代替无法解码的字节。
  • 'backslashreplace':将无法解码的字节替换为反斜杠转义序列。
  • 'namereplace':将无法解码的字节替换为\N{...}名称转义序列。
  • 'xmlcharrefreplace':将无法解码的字节替换为XML字符引用。
310-3、功能

        用于对Series对象中的字符串进行解码,该方法会尝试将每个字符串解码为指定的编码,并根据errors参数处理可能的解码错误。

310-4、返回值

        返回一个新的Series或Index对象,其中的元素为解码后的字符串,如果解码过程中发生错误,且errors参数设置为'ignore'、'replace'等,错误处理将影响返回值的内容。

310-5、说明

        无

310-6、用法
310-6-1、数据准备
310-6-2、代码示例
# 310、pandas.Series.str.decode函数
import pandas as pd
# 创建一个Series对象,其中包含以UTF-8编码的字节字符串
s = pd.Series([b'\xe4\xbd\xa0\xe5\xa5\xbd', b'\xe4\xb8\x96\xe7\x95\x8c'])
# 对字节字符串进行解码,使用UTF-8编码
decoded_s = s.str.decode(encoding='utf-8')
print(decoded_s)
310-6-3、结果输出
# 310、pandas.Series.str.decode函数
# 0    你好
# 1    世界
# dtype: object

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/397674.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python | Leetcode Python题解之第331题验证二叉树的前序序列化

题目: 题解: class Solution:def isValidSerialization(self, preorder: str) -> bool:pre 1for i in preorder.split(,):if i.isdigit():if pre 0:return Falsepre 1else:if pre 0:return Falsepre - 1return pre 0

GPS跟踪环路MATLAB之——数字锁频环

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 GPS跟踪环路MATLAB之——数字锁频环 前言为什么要锁频环科斯塔斯环鉴别器环路滤波器matlab程序获取完整程序 前言 从事卫星导航基带处理的童鞋都知道,跟踪环路属…

【DM】Linux下安装 DM数据库-命令行安装

【DM】Linux下安装 DM数据库-图形化安装 1、安装前准备工作1.1 检查 Linux系统信息1.2 创建DM安装用户1.3 检查操作系统限制1.4 检查系统内存与存储空间1.4.1 检查内存1.4.2 检查存储空间1.4.2 检查临时文件目录1.4.3 设置 JAVA 环境 2、使用dmdba用户安装DM82.1 挂载 DM 安装光…

vue中v-html 后端返回html + script js中click事件不生效

效果图&#xff1a; 需求&#xff1a;点击加号执行后端返回的script中的代码 后端返回的html&#xff1a; <!DOCTYPE html> <html langzh> <head> <title>xxx</title> <style>body{font-size: 14px}p{text-indent: 30px;}textarea{width…

华兮云创始人王正一——探索未来之路

在竞争激烈且机遇丛生的行业大环境中&#xff0c;我们有幸邀请到王正一走进直播间&#xff0c;开启一场关于破局与发展、理想与现实的深度交流。 当谈及在行业中应秉持何种心态时&#xff0c;王正一的见解独到且深刻。他强调&#xff0c;无论在融整产业中处于怎样的位置、扮演何…

【C++算法】双指针

移动零 题目链接&#xff1a;移动零https://leetcode.cn/problems/move-zeroes/description/ 算法原理 这类题是属于数组划分、数组分开题型 代码步骤&#xff1a; 使用cur遍历数组当cur所指的元素等于0时&#xff0c;cur向后面移动当cur所指的元素不等于0时&#xff0c;de…

JAVA—异常

认识异常&#xff0c;学会从报错信息中发现问题&#xff0c;解决问题。并学会构建自定义异常&#xff0c;提醒编程时注意 目录 1.认识异常 2.自定义异常 1.自定义运行时异常 2.自定义编译时异常 3.异常的处理 1.认识异常 异常就是代表程序出现的问题&#xff0c;用来查询B…

(自用)交互协议设计——protobuf序列化

protobuf是一种比json和xml等序列化工具更加轻量和高效的结构化数据存储格式&#xff0c;性能比json和xml真的强很多&#xff0c;毕竟google出品。 protobuf原理 protobuf如何使用 创建xxx.proto文件 开头写上 syntax"proto2"package tutorial; 表明使用的proto…

机器学习——支持向量机(SVM)(2)

目录 一、SVC理解进阶 1. C&#xff08;硬间隔与软间隔&#xff09; 2. class_weight 二、模型评估指标&#xff08;SVC&#xff09; 1. 混淆矩阵 &#xff08;Confusion Matrix&#xff09; &#xff08;1&#xff09;准确率 —— 模型整体效果 &#xff08;2&#xff…

Spring AI 更新:支持OpenAI的结构化输出,增强对JSON响应的支持

就在昨晚&#xff0c;Spring AI发了个比较重要的更新。 由于最近OpenAI推出了结构化输出的功能&#xff0c;可确保 AI 生成的响应严格遵守预定义的 JSON 模式。此功能显着提高了人工智能生成内容在现实应用中的可靠性和可用性。Spring AI 紧随其后&#xff0c;现在也可以对Open…

STM32CubleMX创建FreeRtos工程教程,图文教程

前言&#xff1a;STM32CubeMX 是一个开发工具&#xff0c;它已经将 FreeRTOS 这个实时操作系统&#xff08;RTOS&#xff09;集成到其工具中。换句话说&#xff0c;通过 STM32CubeMX&#xff0c;可以非常方便地为 STM32 微控制器生成配置代码&#xff0c;其中包括对 FreeRTOS 的…

jdbc操作数据库MySQL

mysql创建class表 往数据库中使用代码插入一条数据 step1.创建DataSource DataSource dataSource new MysqlDataSource();((MysqlDataSource)dataSource).setUrl("jdbc:mysql://127.0.0.1:3306/java109?characterEncodingutf8&usessLfalse");((MysqlDataSour…

2024十大网站设计公司推荐TOP10

一个精心设计的网站对于企业来说不仅是品牌形象的延伸&#xff0c;也是吸引客户、提升业务的关键工具。 而选择一家专业的网站设计公司&#xff0c;不仅可以帮助企业在激烈的市场竞争中脱颖而出&#xff0c;还能收获更多的客流量&#xff0c;以下是我们精选的十大网站设计公司…

LVS负载均衡+集群+三种工作模式+调度算法及实战案例

一、LVS 1.1简介 LVS&#xff08;Linux Virtual Server&#xff09;即Linux虚拟服务器&#xff0c;是由章文嵩主导开发的开源负载均衡项目&#xff0c;目前&#xff0c;LVS已经被集成到Linux内核模块中。该项目实现了在基于IP的数据基础上&#xff0c;请求负载均衡调度方案&a…

git推送错误-->远程分支比本地的分支更新,无法直接推送

每次上传本地修改好的代码的时候,十次有八次都会出现这样的问题!!(暴躁!!!) 现在写个帖子记录一下,这个问题目前我还没有解决,欢迎懂的佬指点一下. 情景: 我在本地仓库做了一些代码的修改,准备上传到远程仓库上,下边是上传步骤: git add . # 将所有的修改都提交到缓冲区git …

工作随记:oracle中偶发遇到存储过程编辑,删除等卡死问题

文章目录 一、查询session是否占用二、通过对象名称定位对应SID三、通过对应的SID查询session信息四、kill掉session 最近有几个客户也询问过&#xff1a;我的存储过程怎么编译、调试有时候就卡死不动了&#xff0c;而且还没办法删除&#xff0c;本次又碰到实际情况&#xff0c…

sql及rce漏洞整理

sql及rce漏洞复现 一&#xff0c;mysql小特性解决大问题 <?php $mysqli new mysqli("localhost", "root", "root", "cat"); ​ /* check connection */ if ($mysqli->connect_errno) {printf("Connect failed: %s\n&qu…

前端面试题整合

一、HTML篇 1、简述一下你对HTML语义化的理解&#xff1f; 用正确的标签做正确的事情&#xff1b; HTML语义化让页面内容结构清晰&#xff0c;便于浏览器、搜索引擎解析&#xff1b; 搜索引擎的爬虫依赖HTML标记来确定上下文和关键字的权重&#xff0c;利于SEO&#xff1b; 便于…

JavaScript - 数组对象中实用好玩的reduce方法

JavaScript中reduce() 方法对数组中的每个元素执行一个由您提供的reducer函数(升序执行)&#xff0c;将其结果汇总为单个返回值。 语法&#xff1a; arr.reduce(callback(accumulator, currentValue[, index[, array]])[, initialValue]) 参数配置&#xff1a; 参数名描述cal…

渗透学习之漏洞复现

漏洞 贷齐乐的漏洞复现RCE 贷齐乐的漏洞复现 <?php header("Content-type: text/html; charsetutf-8"); require db.inc.php;function dhtmlspecialchars($string) {if (is_array($string)) {foreach ($string as $key > $val) {$string[$key] dhtmlspecial…