如何在pandas.Dataframe中替换字符串的一部分？

Question

我正在尝试替换pd.Dataframe中所有字符串的一部分，但它不起作用。

我的数据示例：

HLAA0101    
HLAA0201    
HLAA0202    
HLAA0203    
HLAA0205 

我想得到什么：

A0101    
A0201    
A0202    
A0203    
A0205 

我的代码：

 mhc = train_csv.mhc

 for i in mhc:
   i[0:2].replace('HLA', ' ')

 print(mhc)

但不起作用。

Answer 1

选项1:

df['mhc'] = df['mhc'].str[3:]

备选方案2:

df['mhc'] = df['mhc'].str.replace(r'^HLA','')

选项3:

df['mhc'] = df['mhc'].str.extract(r'HLA(.*)', expand=False)

选项4: (注意:有时列表理解比字符串/对象dtype的内部向量化方法更有效)

df['mhc'] = [s[3:] for s in df['mhc']]

所有选项的结果都是相同的：

In [26]: df
Out[26]:
     mhc
0  A0101
1  A0201
2  A0202
3  A0203
4  A0205

50.000行的定时DF:

In [29]: df = pd.concat([df] * 10**4, ignore_index=True)

In [30]: %timeit df['mhc'].str[3:]
35.9 ms ± 3.18 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [31]: %timeit df['mhc'].str.replace(r'^HLA','')
162 ms ± 3.04 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [32]: %timeit df['mhc'].str.extract(r'HLA(.*)', expand=False)
164 ms ± 4.87 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [33]: %timeit [s[3:] for s in df['mhc']]
14.6 ms ± 18.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [34]: df.shape
Out[34]: (50000, 1)

结论：列表理解法获胜。

Answer 2

使用-

mhc = mhc.str.replace('HLA', ' ')

或者-

train_csv['mhc'] = train_csv['mhc'].str.replace('HLA', '') # One liner directly from df

Answer 3

试试str.replace。(这里的文档：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.str.replace.html)

此外，在您的代码中，它插入一个空格而不是替换的字符串。如果你想那样的话，那很好，否则删除空格。;)