我有一个包含 x 行和 y 列的大型数据集。其中一列作为单词和一些不需要的数据。不需要的数据没有特定的模式，因此我发现很难从数据框中删除它。
nonhashtag
['want', 'better', 'than', 'Dhabi,', 'United', 'Arab', 'Emirates']
['Just', 'posted', 'photo', 'Rasim', 'Villa']
['Dhabi', 'International', 'Airport', '(AUH)', '\xd9\x85\xd8\xb7\xd8\xa7\xd8\xb1', '\xd8\xa3\xd8\xa8\xd9\x88', '\xd8\xb8\xd8\xa8\xd9\x8a', '\xd8\xa7\xd9\x84\xd8\xaf\xd9\x88\xd9\x84\xd9\x8a', 'Dhabi']
['just', 'shrug', 'off!', 'Dubai', 'Mall', 'Burj', 'Khalifa']
['out!', 'Cowboy', 'steppin', 'Notorious', 'going', 'sleep!', 'Make', 'happen']
['Buona', 'notte', '\xd1\x81\xd0\xbf\xd0\xbe\xd0\xba\xd0\xbe\xd0\xb9\xd0\xbd\xd0\xbe\xd0\xb9', '\xd0\xbd\xd0\xbe\xd1\x87\xd0\xb8', '\xd9\x84\xd9\x8a\xd9\x84\xd8\xa9', '\xd8\xb3\xd8\xb9\xd9\x8a\xd8\xaf\xd8\xa9!', '\xd8\xa3\xd8\xa8\xd9\x88', '\xd8\xb8\xd8\xa8\xd9\x8a', 'Viceroy', 'Hotel,', 'Yas\xe2\x80\xa6']
每个不是单词的字符都将被删除，这只是大型数据集中的一列。列名是 nonhashtag
清洗色谱柱的简单方法是什么。立即删除它们或替换为 NAN
预期输出
nonhashtag
['want', 'better', 'than', 'Dhabi,', 'United', 'Arab', 'Emirates']
['Just', 'posted', 'photo', 'Rasim', 'Villa']
['Dhabi', 'International', 'Airport', '(AUH)', 'Dhabi']
['just', 'shrug', 'off!', 'Dubai', 'Mall', 'Burj', 'Khalifa']
['out!', 'Cowboy', 'steppin', 'Notorious', 'going', 'sleep!', 'Make', 'happen']
['Buona', 'notte', 'Viceroy', 'Hotel,']
每个 [] 都是该特定列中的一行，因此只需要删除 \x 和剩余的字符 空的 []应该留在行中。保留该行很重要，因为其他列的该行充满了所需的信息。
为了编写正确的代码，我无法通过输入读取，因为我无法在数据集中找到用于编写正则表达式的模式。
在此先感谢您的帮助
请您参考如下方法:
这是你想要的吗？
In [71]: df.nonhashtag.apply(' '.join).str.replace('[^A-Za-z\s]+', '') \
.str.split(expand=False)
Out[71]:
0 [want, better, than, Dhabi, United, Arab, Emir...
1 [Just, posted, photo, Rasim, Villa]
2 [Dhabi, International, Airport, AUH, Dhabi]
3 [just, shrug, off, Dubai, Mall, Burj, Khalifa]
4 [out, Cowboy, steppin, Notorious, going, sleep...
5 [Buona, notte, Viceroy, Hotel, Yas]
Name: nonhashtag, dtype: object
'[^A-Za-z\s]+' - 是一个正则表达式，意思是取所有字符除了那些:
- 用ASCII码从
A到Z - 从
a到z - 空格和制表符
因此 .str.replace('[^A-Za-z\s]+', '') 将删除除属于英文字母、空格和制表符的字母以外的所有字符
