Pandas实战:按结尾标点复制行并清理标点
2026-02-27 22:15:44
0浏览
收藏
本文揭秘了一种高效、向量化的Pandas文本预处理技巧:自动识别以问号、句号或感叹号结尾的文本行,一键复制并生成去标点版本,既实现轻量级数据增强,又完成规范化清洗——无需循环、不依赖复杂正则,仅用三步简洁代码即可处理百万级数据,大幅提升NLP任务中模型对表达变体的鲁棒性,是数据工程师和算法研究员不可错过的实用干货。

本文介绍如何使用 Pandas 高效识别并复制以问号、句号或感叹号结尾的行,同时生成去除末尾标点的新行,实现数据增强与规范化预处理。
本文介绍如何使用 Pandas 高效识别并复制以问号、句号或感叹号结尾的行,同时生成去除末尾标点的新行,实现数据增强与规范化预处理。
在自然语言处理(NLP)或文本清洗任务中,常需对带有标点结尾的样本进行数据扩展——例如,将 "Hi!" 同时保留原样和去标点形式 "Hi",以提升模型对不同表达变体的鲁棒性。Pandas 提供了简洁高效的向量化操作来完成这一任务,无需循环,也无需正则匹配整个字符串。
核心思路是三步走:
- 筛选:定位所有 msg 列以 ?、. 或 ! 结尾的行;
- 清洗:对这些行的 msg 字符串统一截去最后一个字符(因目标标点均位于末尾,且仅占 1 位);
- 合并:将清洗后的子集追加到原始 DataFrame 底部,保持原有索引并自动重排。
以下是完整可运行代码示例:
import pandas as pd
# 构造示例数据
df = pd.DataFrame({
'msg': ["hello", "hi!", "What?", "OK.", "test"],
'label': [1, 0, 2, 3, 4]
})
# 步骤1:筛选以 ?, ., ! 结尾的行(注意:str.endswith 接受元组)
mask = df['msg'].str.endswith(('?', '.', '!'))
punc_rows = df[mask].copy()
# 步骤2:批量移除末尾标点(安全截取:str[:-1])
punc_rows['msg'] = punc_rows['msg'].str[:-1]
# 步骤3:纵向拼接(axis=0),忽略索引重复问题(可选 reset_index(drop=True))
result = pd.concat([df, punc_rows], axis=0, ignore_index=True)
print(result)输出结果:
msg label 0 hello 1 1 hi! 0 2 What? 2 3 OK. 3 4 test 4 5 hi 0 6 What 2 7 OK 3
✅ 关键注意事项:
- str.endswith() 支持元组参数 ('?', '.', '!'),比链式 | 条件更简洁、可读性更强;
- 使用 .copy() 避免 SettingWithCopyWarning;
- str[:-1] 在字符串为空或单字符时仍安全(空串返回空串,单标点返回空串),但若业务要求严格校验长度,可前置添加 str.len() > 0 过滤;
- pd.concat(..., ignore_index=True) 推荐启用,避免索引重复影响后续操作(如 .iloc 定位);
- 若需保留原始顺序(如让新增行紧邻原行下方),可借助 pd.concat + 自定义排序逻辑,但多数场景下 ignore_index=True 已满足需求。
该方法时间复杂度为 O(n),完全向量化,适用于百万级文本行的批量处理,是文本预处理流水线中轻量而可靠的实用技巧。
文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Pandas实战:按结尾标点复制行并清理标点》文章吧,也可关注golang学习网公众号了解相关技术文章。
Golang日志格式设置全解析
- 上一篇
- Golang日志格式设置全解析
- 下一篇
- 剪映导入音频及同步设置教程
查看更多
最新文章
-
- 文章 · python教程 | 2天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 2天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 2天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 2天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1174次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1158次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1342次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1282次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1143次使用
查看更多
相关文章
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

