Hướng dẫn ignore non numeric values python - bỏ qua các giá trị không phải số python

Khi

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

Để coi các giá trị giống như số làm số, hãy sử dụng

is_stringlike = np.isnan(numeric_X)

In [41]: numeric_X = pd.to_numeric(df['X'], errors='coerce')
In [43]: numeric_X
Out[43]: 
0    13500.0
1    13600.0
2        NaN
3        NaN
4    15003.0
5    15004.0
Name: X, dtype: float64

Và bạn cũng có thể xác định các giá trị giống như chuỗi bằng cách kiểm tra NANS:

is_stringlike = np.isnan(numeric_X)

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

năng suất

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

Xóa các ký tự không phải là số ngoại trừ "." trong Python #

Sử dụng phương thức

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

is_stringlike = np.isnan(numeric_X)

Copied!
import re

my_str = 'a3.1b4c'

result = re.sub(r'[^0-9.]', '', my_str)

print(result)  # 👉️ '3.14'

Nếu bạn đang tìm cách tránh sử dụng các biểu thức thông thường, hãy cuộn xuống tiêu đề tiếp theo.

Chúng tôi đã sử dụng phương thức

is_stringlike = np.isnan(numeric_X)

Phương thức Re.sub trả về một chuỗi mới thu được bằng cách thay thế các lần xuất hiện của mẫu bằng thay thế được cung cấp.

Nếu mẫu không được tìm thấy, chuỗi được trả về như vậy.

Đối số đầu tiên chúng tôi đã chuyển sang phương pháp

is_stringlike = np.isnan(numeric_X)

Các dấu ngoặc vuông

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

Nếu ký tự đầu tiên của bộ là CARET

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

Nói cách khác, tập hợp của chúng tôi phù hợp với bất kỳ ký tự nào không phải là một chữ số trong phạm vi

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

Đối số thứ hai chúng tôi đã chuyển sang phương pháp

is_stringlike = np.isnan(numeric_X)

Copied!
import re

my_str = 'a3.1b4c'

result = re.sub(r'[^0-9.]', '', my_str)

print(result)  # 👉️ '3.14'

Chúng tôi muốn loại bỏ tất cả các ký tự hoặc dấu chấm không phải là số, vì vậy chúng tôi thay thế từng ký tự bằng một chuỗi trống.

Ngoài ra còn có một tốc ký cho phạm vi

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

Copied!
import re

my_str = 'a3.1b4c'

result = re.sub(r'[^\d.]', '', my_str)

print(result)  # 👉️ '3.14'

Ký tự

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

Xóa tất cả các ký tự không phải là số ngoại trừ "." Từ chuỗi bằng cách sử dụng Jop () #

Để xóa tất cả các ký tự không phải là số ngoại trừ "." Từ một chuỗi:

1. Sử dụng biểu thức máy phát để lặp qua chuỗi.
2. Kiểm tra xem mỗi ký tự là một chữ số hoặc một dấu chấm và trả về kết quả.
3. Sử dụng phương thức

   import numpy as np
   import pandas as pd
   
   df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})
   
   numeric_X = pd.to_numeric(df['X'], errors='coerce')
   is_stringlike = np.isnan(numeric_X)
   conditions = [numeric_X > 15000, is_stringlike]
   choices = ['A', df['X']]
   df['Y'] = (np.select(conditions, choices, default='B'))
   print(df)
   

   8 để tham gia các ký tự vượt qua bài kiểm tra.

Copied!
my_str = 'a3.1b4c'

result = ''.join(char for char in my_str if char in '123456789.')

print(result)  # 👉️ '3.14'

Chúng tôi đã sử dụng một biểu thức máy phát để lặp qua chuỗi.

Biểu thức của máy phát được sử dụng để thực hiện một số hoạt động cho mọi phần tử hoặc chọn một tập hợp con của các phần tử đáp ứng một điều kiện.

Trên mỗi lần lặp, chúng tôi kiểm tra xem ký tự hiện tại là một chữ số hoặc dấu chấm và trả về kết quả.

Các thử nghiệm trong nhà điều hành để thành viên. Ví dụ,

import numpy as np
import pandas as pd

df = pd.DataFrame({'X': ['13500', '13600', 'BBOX-001', 'Mobi-1', '15003', '15004']})

numeric_X = pd.to_numeric(df['X'], errors='coerce')
is_stringlike = np.isnan(numeric_X)
conditions = [numeric_X > 15000, is_stringlike]
choices = ['A', df['X']]
df['Y'] = (np.select(conditions, choices, default='B'))
print(df)

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

Đối tượng Trình tạo chỉ chứa các chữ số và dấu chấm từ chuỗi.

Copied!
my_str = 'a3.1b4c'

# 👇️ ['3', '.', '1', '4']
print(list(char for char in my_str if char in '123456789.'))

Bước cuối cùng là tham gia các chữ số và dấu chấm vào một chuỗi.

Copied!
my_str = 'a3.1b4c'

result = ''.join(char for char in my_str if char in '123456789.')

print(result)  # 👉️ '3.14'

Phương thức str.join lấy một điều đáng tin cậy như một đối số và trả về một chuỗi là sự kết hợp của các chuỗi trong điều kiện có thể sử dụng được.

Chuỗi phương thức được gọi là bật được sử dụng làm phân tách giữa các phần tử.

Đối với mục đích của chúng tôi, chúng tôi đã gọi phương thức

          X         Y
0     13500         B
1     13600         B
2  BBOX-001  BBOX-001
3    Mobi-1    Mobi-1
4     15003         A
5     15004         A

Làm thế nào để bạn loại bỏ không

Làm thế nào để tôi thoát khỏi

Làm thế nào để Python xử lý không

Làm thế nào để bạn chỉ giữ một số trong một chuỗi trong Python?