数据清理：如何在 Python 中索引 Series 值并处理重复值索引？

Question

我是 Python 3.x 的新用户，并尝试在数据清理代码方面获得一些帮助。

Here是模拟数据：

我有一个客户订单数据库，必须清理 UserPhone 列。在此列中，值可以是 str (ie: 0909111111, 0909.111.111) or number (ie: 909111111, 909111111.0, 84909111111)。

我希望结果是：909111111。

为此，我必须：

1. 从所有值中删除'.0'
2. 从所有值中删除所有非数字字符（空格、文本，如果有）
3. 如果值以“0”开头，则删除“0”
4. 如果值以“84”开头，则删除“84”

我猜这 4 个步骤具有相同的结构。例如，为了解决任务 2，我尝试编写如下代码：

import pandas as pd
test=pd.read_excel('D:/relay-foods.xlsx')
b=test['UserPhone']
for i in test['UserPhone']:
    if i:
        i = str(i)
        for j in i:
            if not j.isdigit():
                index_i=test.index(i)
                i = i.replace(j, '')
                b[index_i]=i

但它会导致错误 TypeError: 'RangeIndex' object is not callable 我搜索并意识到 index(i) 仅适用于 List 而 'UserPhone' 是 Series 类型。我试过test['UserPhone']=test['UserPhone'].tolist()，但它不起作用。有人可以帮我解决这个问题吗？

另外一件值得注意的事情是，“UserPhone”包含重复项，这可能导致不同行中相同“UserPhone”值的相同索引。

非常感谢您的帮助！

Answer 1

我根据@Abdou 的代码进行了编辑，此代码有效：

test['UserPhone'] = test['UserPhone'].astype(str).str.replace('\.0|^0|^84|[^0-9]+‌​','')

唯一不同的是\.0而不是.0，因为点（.）是一个元字符，我们必须在它前面加上一个'\'来消除它的特殊含义。 再次感谢@Abdou！

Answer 2

尝试将UserPhone 列转换为字符串列，然后使用.str.replace 方法替换满足您概述的条件的任何内容。以下应该做：

test['UserPhone'] = test['UserPhone'].astype(str).str.replace('\.0$|^0|^84|[^0-9]+‌​','').astype(int)

对于此处提供的模式：

\.0$ 匹配电话号码末尾的“.0”；

^0 匹配电话号码开头的任何零；

^84 匹配电话号码开头的任何“84”；

[^0-9]+‌​ 匹配一个或多个不是数字的字符。

| 运算符等效于 OR。

此外，如果您希望输出保持为字符串，请随时从代码中删除 .astype(int) 部分。

我希望这会有所帮助。