Datawhale - Pandas（下）--task02 文本数据

一，先有个整体的概念：

 　这一章是关于文本数据，以前在EXCEL里，文本类型就是string字符串，所以这里也先介绍下string，因为和object很像，也很容易出错，所以对比着介绍的；接下来是string的一系列操作：拆分和拼接（以前只知道拼接是“+”）；string的替换；子串匹配和提取。

二、string类型

1、string 和 object的区别

① 字符存取方法（string accessor methods，如str.count）会返回相应数据的Nullable类型，而object会随缺失值的存在而改变返回类型

② 某些Series方法不能在string上使用，例如： Series.str.decode()，因为存储的是字符串而不是字节

③ string类型在缺失值存储或运算时，类型会广播为pd.NA，而不是浮点型np.nan

 2、string的转换，需要先别的类型转为str 型 object， 再转为string 类型。

三、拆分和拼接

1、str.split 方法

s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")

s.str.split('_') 

0    [a, b, c]
1    [c, d, e]
2         
3    [f, g, h]

Note：split后的类型是object，因为现在Series中的元素已经不是string，而包含了list，且string类型只能含有字符串；对于str方法可以进行元素的选择，如果该单元格元素是列表，那么str[i]表示取出第i个元素，如果是单个元素，则先把元素转为列表在取出；expand参数控制了是否将列拆开，n参数代表最多分割多少次。

2、str.cat 方法

但是，这里：对于两个Series合并而言，是对应索引的元素进行合并。不太理解。

三、替换

替换不可避免要用正则表达式，简单的会，难得还不会。

广义上的替换，就是指str.replace函数的应用，fillna是针对缺失值的替换。

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 'CABA', 'dog', 'cat'],dtype="string") 

 

 

 四、子串匹配与提取

1、str.extract 方法

pd.Series(['10-87', '10-88', '10-89'],dtype="string").str.extract(r'([\d]{2})-([\d]{2})') 

 

2、 str.extractall 方法

与extract只匹配第一个符合条件的表达式不同，extractall会找出所有符合条件的字符串，并建立多级索引（即使只找到一个）¶

3. str.contains和str.match

 五，练习