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

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。

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代码相关推荐

Java通过正则剔除乱码_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...
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 ...
批量修改图片名称（去掉原名字中的中文字符和空格）
python批量修改图片名称,去掉原名字中的中文字符和空格如名字:KJG-A电泵冷油器泄漏4-20190219161731 (1).jpg-->KJG-A4-20190219161731(1) ...
java a标签正则_正则表达式：java中婚配HTML中a标签中的中文字符
正则表达式:java中匹配HTML中a标签中的中文字符今天群里一位朋友问到了一个正则表达式的问题,有如下内容: 特432 453543 a1特123你好123吗? 特2 标签中的文字现在要匹配出内容 ...
oracle字符串只截取中文,Oracle提取字符串中“汉字”串的解决办法
我们在实际工作中常常要使用去特殊字符的功能,特别是插入到数据库中的数据,我们为了保证数据的质量,往往需要对数据进行清洗, 我们在实际工作中常常要使用去特殊字符的功能,特别是插入到数据库中的数据,我们为 ...
发送附件时，防止文件名中的中文字符变成乱码
在.net2005中,利用System.Net.Mail;下的MailMessage类发送邮件,为了防止附件文件名中的中文字符变成乱码,需要加attachment.NameEncoding = Enc ...
python django mysql写入中文乱码_解决django 向mysql中写入中文字符出错的问题
之前使用django+mysql建立的一个站点,发现向数据库中写入中文字符时总会报错,尝试了修改settings文件和更改数据表的字符集后仍不起作用.最后发现,在更改mysql的字符集后,需要重建数据 ...
网页编码与数据传递中的中文字符编码
最近工作中遇到中文编码,中文参数传递,AJAX返回值包含中文乱码的问题,为此奋斗了一宿,有点心得,有点体会,总结如下,希望对迷惑于此中者有解惑之功效! 在网上一阵狠搜,编码函数的确是有,包括Javas ...
解决Python3中的中文字符编码的问题-亲测有效
解决Python3中的中文字符编码的问题一.原理篇: Unicode是一32位编码格式,不适合用来传输和存储,所以必须转换成utf-8,gbk等等.这篇文章主要介绍了Python3中的解决中文字符编 ...
解决在全文搜索中搜索中文字符
解决在全文搜索中搜索中文字符出错补丁:点击下载 http://www.artbbs.net/Demo/Dvbbs_Help/Help_Img/SQLx86.rar 解决中文字符出错问题: 方法一: 把 ...

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

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

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代码相关推荐

最新文章

热门文章