Accessor .str trong pandas: xử lý chuỗi cả cột (pandas str)
Bài 6/17 · Chương 6
Làm sạch dữ liệu
- 6 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 12
Accessor .str của pandas đưa các phương thức chuỗi của Python lên cả cột chữ (pandas string): .str.strip(), .str.upper(), .str.replace() chạy trên mọi ô trong một lệnh, không cần vòng lặp. Bạn dùng nó khi khách tự gõ tên, giới tính hay số điện thoại vào form, mỗi người một kiểu, và bạn cần đưa cả cột về một cách viết trước khi đếm.
Cần biết trước: phương thức chuỗi trong Python, strip() và chọn cột.
Vì sao cần .str
Một chuỗi Python có upper(), nhưng một cột là Series, và Series không có phương thức đó. .str là cửa vào: sau dấu chấm của nó, mỗi phương thức chạy trên từng ô rồi trả một Series mới cùng index. Bạn đã gặp cửa này ở bài str.contains():
import pandas as pd
kh = pd.read_csv("khach_hang_tho.csv")
ten = kh["ho_ten"].head(4)
print(ten.to_list())
print(ten.str.upper().to_list())KẾT QUẢ
['Nguyễn Phương Hằng', 'Nguyễn Phương Dung', 'Lê Mai Giang', 'NGUYỄN MINH LOAN']
['NGUYỄN PHƯƠNG HẰNG', 'NGUYỄN PHƯƠNG DUNG', 'LÊ MAI GIANG', 'NGUYỄN MINH LOAN']Hãy hình dung .str như một người đứng ở đầu cột, nhận một lệnh rồi chuyển cho từng ô. Kết quả là cột mới; cột ho_ten của kh không đổi cho tới khi bạn gán lại.
Cắt khoảng trắng, đổi chữ hoa thường
Cột gioi_tinh có bốn cách viết cho hai giá trị: Nam, nam, Nữ, và Nu của người gõ không dấu. Đưa về chữ thường bằng .str.lower(), rồi thay nu thành nữ:
import pandas as pd
kh = pd.read_csv("khach_hang_tho.csv")
print(kh["gioi_tinh"].nunique())
gioi = kh["gioi_tinh"].str.lower().str.replace("nu", "nữ")
print(gioi.value_counts())KẾT QUẢ
4
gioi_tinh
nữ 216
nam 192
Name: count, dtype: int64Mỗi .str trả một Series, nên bạn nối tiếp .str.lower().str.replace(...) thành một chuỗi, như nối các phương thức của chuỗi Python. Khoảng trắng thừa thì khó thấy hơn: trên màn hình "Kiên " trông như "Kiên". So độ dài trước và sau .str.strip() để đếm những ô như thế:
import pandas as pd
kh = pd.read_csv("khach_hang_tho.csv")
ten = kh["ho_ten"]
thua = ten.str.len() != ten.str.strip().str.len()
print(thua.sum(), "tên có khoảng trắng ở hai đầu")
print(ten[thua].head(2).to_list())KẾT QUẢ
15 tên có khoảng trắng ở hai đầu
['Nguyễn Hữu Kiên ', 'Nguyễn Anh Vũ ']strip() chỉ cắt hai đầu. Dấu cách đôi giữa họ và tên vẫn còn, việc của bài chuẩn hóa tiếng Việt.
Thay chuỗi con bằng .str.replace()
Số điện thoại có ba kiểu viết: 0912726781, 0983 669 065 có dấu cách, và +84705677584. .str.replace(cu, moi) thay mọi lần xuất hiện của cu trong từng ô. Mặc định nó thay đúng chuỗi bạn gõ, ký tự nào cũng là chính nó:
import pandas as pd
kh = pd.read_csv("khach_hang_tho.csv")
sdt = (kh["sdt"].str.replace(" ", "")
.str.replace("+84", "0"))
print(kh["sdt"].str.len().value_counts())
print(sdt.str.len().value_counts())KẾT QUẢ
sdt
10 314
12 63
9 31
Name: count, dtype: int64
sdt
10 377
9 31
Name: count, dtype: int64Trước khi thay, cột có ba độ dài: 10, 12 và 9. Sau hai lần thay, chỉ còn số 10 chữ số và số 9 chữ số, là các số đã mất 0 đầu khi ai đó mở file bằng bảng tính. Đổi "+84" thành "+8" rồi chạy lại: bảng độ dài thứ hai in 11, vì "+8" thay hai ký tự bằng một chữ 0 và còn sót chữ 4. Bỏ mọi ký tự không phải chữ số trong một lệnh là việc của regex, ở bài regex trong pandas.
Đo độ dài và ô thiếu qua .str
.str.len() cho số ký tự của từng ô, hợp để soát mã phải đủ độ dài. Ô thiếu đi qua .str vẫn là NaN: pandas không đổi nó thành chuỗi rỗng, không báo lỗi, nên bạn vẫn đếm được ô trống sau khi chuẩn hóa:
import pandas as pd
tinh = pd.Series([" Huế", None, "ĐÀ LẠT "])
print(tinh.str.strip().str.lower().to_list())
print(tinh.str.len().to_list())KẾT QUẢ
['huế', nan, 'đà lạt']
[5.0, nan, 7.0]Kết quả của .str.len() là số thực, vì cột cần chỗ cho NaN. Muốn tách một cột chữ thành nhiều cột, như họ và tên, thì .str.split(" ", expand=True) trả một bảng mỗi phần một cột; bài tách cột dạy cách đó.
Kiểm tra nhanh
Sau
import pandas as pd,print(pd.Series([" Huế ", "HÀ NỘI"]).str.strip().str.lower().to_list())in ra gì?['huế', 'hà nội'][' huế ', 'hà nội']['Huế', 'HÀ NỘI']
Sau
import pandas as pd,print(pd.Series(["SP-01", None]).str.len().to_list())in ra gì?[5, 0][5.0, nan]- Báo lỗi
TypeError
Lệnh
kh["ho_ten"].upper()dừng với lỗi nào?TypeErrorAttributeErrorKeyError
Cột
sdtcó ô912345678kiểu số lẫn với các ô chuỗi. Những câu nào đúng vềsdt.str.len()?- Ô kiểu số cho
NaN - Ô kiểu số cho
9 sdt.astype(str).str.len()đo được mọi ô- pandas báo lỗi vì cột lẫn kiểu
- Ô kiểu số cho
Bài tập
Chuẩn hóa mã giảm giá khách gõ
Khách gõ mã giảm giá vào ô thanh toán mỗi người một kiểu: " tet-2026", "Tet2026 ", "free.ship". Viết thân hàm chuan_hoa_voucher(ma) nhận Series mã và trả Series đã chuẩn hóa:
Bỏ khoảng trắng hai đầu và viết hoa toàn bộ.
Bỏ mọi dấu gạch ngang
-và dấu chấm.trong mã.Ô trống giữ là ô trống.
Kết quả giữ index và tên của Series. Hàm không sửa Series của nơi gọi.
Trả về: các mã đã chuẩn hóa, một Series.
import pandas as pd
def chuan_hoa_voucher(ma):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
.strđưa phương thức chuỗi lên cả cột; mỗi lệnh trả Series mới cùng index, nối tiếp được.Quên
.strmà gọiupper()thẳng trên Series báoAttributeError..str.strip()cắt hai đầu,.str.lower()và.str.upper()đổi chữ hoa thường trên từng ô..str.replace(cu, moi)thay đúng chuỗi gõ vào, mọi lần xuất hiện trong ô..str.len()đếm ký tự; ô thiếu qua.strvẫn làNaN, ô kiểu số cũng thànhNaN.
Câu hỏi thường gặp
str.replace() trong pandas khác replace() của Series thế nào?
.str.replace("a", "b") thay chuỗi con bên trong từng ô. Series.replace("a", "b") chỉ thay ô mà cả giá trị bằng đúng "a". Muốn đổi cả ô theo một bảng tra, như HCM thành TP. Hồ Chí Minh, dùng replace() hay map().
Viết hoa chữ cái đầu mỗi từ của cả cột thế nào?
Dùng .str.title(): "NGUYỄN MINH LOAN" thành "Nguyễn Minh Loan". Phương thức này cùng các phương thức .str khác như zfill(), pad() nằm ở bảng tra .str.
Có nên dùng apply() với hàm chuỗi thay cho .str không?
Không cần. .str viết ngắn hơn, tự giữ ô thiếu là NaN, và đọc ra ý ngay. apply() với một hàm tự viết chỉ hợp khi việc cần làm không có sẵn trong .str; bài apply() nói khi nào dùng nó.
pandas có kiểu string riêng không?
Có. Trên pandas 3, cột chữ đọc từ file mang kiểu str, dtypes in ra đúng chữ đó. Ô thiếu của cột str là NaN. So kiểu bằng df["cot"].dtype == "str", như bài dtype và astype().
Chủ đề
Dữ liệu của bài
- Tải xuống
khach_hang_tho.csv
CSV · 27.81 KB
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.