pandasで文字列にスライスを適用して任意の位置・長さの部分を抽出
pandas.DataFrameの列（= pandas.Series）に対してPythonの文字列（組み込み型str）のメソッドを適用するには、.str（strアクセサ）を使う。
例えば、str.match()やstr.extract()を利用して文字列の一部を正規表現で抽出できる。
ここでは、スライスを使って先頭や末尾など任意の位置から任意の長さ（文字数）の文字列を抽出して新たな列を生成する方法を説明する。
- pandasの文字列の列にスライスを適用
- 先頭の文字を抽出
- 末尾の文字を抽出
- 増分（
step）を指定して抽出 - 任意の位置の1文字を抽出
pandas.DataFrameの列として追加
- 数値を文字列に変換しスライス適用
Pythonのスライスの基本的な使い方などは以下の記事を参照。
pandas.DataFrameに対してスライスを適用して行や列を選択する方法については以下の記事を参照。
以下のpandas.DataFrameを例とする。
import pandas as pd
df = pd.DataFrame({'a': ['abcde', 'fghij', 'klmno'],
'b': [123, 456, 789]})
print(df)
# a b
# 0 abcde 123
# 1 fghij 456
# 2 klmno 789
print(df.dtypes)
# a object
# b int64
# dtype: object
source: pandas_str_slice.py
pandasの文字列の列にスライスを適用
文字列の列に対しては.str[]でそのままスライスを適用できる。
先頭の文字を抽出
print(df['a'].str[:2])
# 0 ab
# 1 fg
# 2 kl
# Name: a, dtype: object
source: pandas_str_slice.py
末尾の文字を抽出
末尾の指定にはマイナスの値を使う。
print(df['a'].str[-2:])
# 0 de
# 1 ij
# 2 no
# Name: a, dtype: object
source: pandas_str_slice.py
増分（step）を指定して抽出
あまり使うことはないかもしれないが増分（step）の指定も可能。
print(df['a'].str[::2])
# 0 ace
# 1 fhj
# 2 kmo
# Name: a, dtype: object
source: pandas_str_slice.py
任意の位置の1文字を抽出
スライスだけでなく、インデックス（0始まりの位置）で1文字を抽出することもできる。最後の文字は-1で指定する。
print(df['a'].str[2])
# 0 c
# 1 h
# 2 m
# Name: a, dtype: object
print(df['a'].str[0])
# 0 a
# 1 f
# 2 k
# Name: a, dtype: object
print(df['a'].str[-1])
# 0 e
# 1 j
# 2 o
# Name: a, dtype: object
source: pandas_str_slice.py
pandas.DataFrameの列として追加
抽出した列を新たな列として追加。
df['a_head'] = df['a'].str[:2]
print(df)
# a b a_head
# 0 abcde 123 ab
# 1 fghij 456 fg
# 2 klmno 789 kl
source: pandas_str_slice.py
数値を文字列に変換しスライス適用
文字列以外の型の列に対してstrアクセサによる文字列メソッドを使うとエラーAttributeErrorになる。
# print(df['b'].str[:2])
# AttributeError: Can only use .str accessor with string values, which use np.object_ dtype in pandas
source: pandas_str_slice.py
astype()メソッドで文字列strに変換するとOK。
print(df['b'].astype(str).str[:2])
# 0 12
# 1 45
# 2 78
# Name: b, dtype: object
source: pandas_str_slice.py
数値として扱いたい場合は再度astype()を適用する。
print(df['b'].astype(str).str[:2].astype(int))
# 0 12
# 1 45
# 2 78
# Name: b, dtype: int64
source: pandas_str_slice.py
この例の場合は以下のように計算することも可能。10で割ってから整数int型に変換することで小数点以下を切り捨てている。
print((df['b'] / 10).astype(int))
# 0 12
# 1 45
# 2 78
# Name: b, dtype: int64
source: pandas_str_slice.py
pandasでの数値と文字列の変換についての詳細は以下の記事を参照。ゼロ埋めや桁合わせなどもできる。
- 関連記事: pandasで文字列と数値を相互変換、書式変更