Oppiskele Tekstin Puhdistus | Merkkijonot, päivämäärät, puuttuvat tiedot

Pyyhkäise näyttääksesi valikon

Työskenneltäessä reaalimaailman datan kanssa tekstisarakkeet sisältävät usein ei-toivottuja välilyöntejä, ylimääräisiä symboleja tai epäyhtenäistä muotoilua. Polarissa voit käyttää .str-nimialuetta puhdistaaksesi ja muuntaaksesi näitä sarakkeita tehokkaasti. Oletetaan, että sinulla on DataFrame, jossa on name-sarake, joka sisältää joskus alussa tai lopussa välilyöntejä ja välimerkkejä, sekä genres-sarake, jossa genret on tallennettu yhtenä merkkijonona kauttaviivalla eroteltuna, kuten "Drama / Comedy".

name-sarakkeen puhdistamiseen voit käyttää .str.strip_chars()-metodia poistaaksesi välilyönnit ja tietyt symbolit merkkijonon molemmista päistä. genres-sarakkeessa voit käyttää .str.split()-metodia yhdessä säännöllisen lausekkeen kanssa jakaaksesi merkkijonon genrejen listaksi.

Alla oleva skripti havainnollistaa näitä tekniikoita:


              123456789101112131415161718
            
import polars as pl

df = pl.DataFrame({
    "name": ["  Alice! ", "Bob.", "  Carol  ", "David-"],
    "genres": ["Drama / Comedy", "Action/Thriller", "Sci-Fi / Adventure", "Romance"]
})

# Strip whitespace and symbols from 'name'
cleaned_df = df.with_columns([
    pl.col("name").str.strip_chars().str.strip_chars("!.-").alias("name_clean")
])

# Use regex to split genres into a list
cleaned_df = cleaned_df.with_columns([
    pl.col("genres").str.replace_all(r"\s*/\s*", ",").str.split(",").alias("genres_list")
])

print(cleaned_df)

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 1

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 3. Luku 1