質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.77%

Dataframeの列を一定の文字数に変換したい。

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 564

hiroyuki828

score 19

前提・実現したいこと

python 3.5.4 / pandas 0.23.4 で、CSVを読み込み
特定の列に入っている文字数を半角40文字(全角なら20文字)を超える部分は
削除して、書き出す処理をしたい状況です。

今のコードでは、全角文字は20文字以内に収められました。
半角の英数文字の場合は、40文字まではカットしたくないのですが
そのような処理が実現できませんでした。

該当のソースコード

df1 = pd.read_csv(input_file,encoding='cp932', dtype = 'object')

#列名の再割り当て
df1.columns = ['c01','c02','c03','c04']

# c02 を 20文字以内にする
# 全角文字は問題ないが、半角文字も20文字になるため、余計にカットされてしまう。
df1['c02'] = df1['c02'].str[:20]

df1.to_csv(output_file, encoding='cp932',quoting=csv.QUOTE_ALL,index=False,header=None)

試したこと

内部の文字列のエンコードを変換してはどうかと考えましたが
Dataframeに対してencodeは出来ないようでした。

df1['c02'] = df1['c02'].encode('utf-8').str[:20]
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

checkベストアンサー

+1

unicodedata.east_asian_width  を使用することで、全角か半角かの区別がつくようですので、これを利用して文字列の先頭を抜き出す関数を作ると良いかと思います。

かなりやっつけですがこんな感じ。

from unicodedata import east_asian_width

def extract_first_part(s, limit_length=40):
    total_length = 0
    for i,c in enumerate(s):
        length = 2 if east_asian_width(c) in list('WFA') else 1
        total_length += length
        if total_length > limit_length:
            return s[:i]
    return s

あとは Series.apply() 等を使って上記の関数を列に適用するだけでよいかと思います。

import pandas as pd

df = pd.DataFrame({
    '文字列':['123456789012345678901234567890123456789012345123456789012345',
              '123456789012345678901234567890',
              '1234567890123456789012345678901234567890']})

print(df)
#                                                         文字列
#0  123456789012345678901234567890123456789012345123456789012345
#1  123456789012345678901234567890
#2  1234567890123456789012345678901234567890

df['文字列'] = df['文字列'].apply(extract_first_part)
print(df)
#                                     文字列
#0  1234567890123456789012345678901234567890
#1  12345678901234567890
#2  1234567890123456789012345

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/04/09 10:24

    解決することができました。ありがとうございます。

    キャンセル

0

http://atasatamatara.hatenablog.jp/entry/2013/04/15/201955のような全角半角変換モジュールで変換してから処理を行ってはどうでしょうか?

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/04/09 10:29

    ご回答ありがとうございました。
    Dataframeに全角半角変換モジュールを当てることができなかったのと、
    変換モジュールを使う場合、元のデータが変化してしまうので、変化せずに
    処理が可能な回答の方をベストアンサーとさせていただきました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.77%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る