pandas-task08-文本数据.md
文章目录
- 一、str对象
-
- 1. str对象的设计意图
- 2. []索引器
- 3. string类型
- 二、正则表达式基础
-
- 1. 一般字符的匹配
- 2. 元字符基础
- 3. 简写字符集
- 三、文本处理的五类操作
-
- 1. 拆分
- 2. 合并
- 3. 匹配
- 4. 替换
- 5. 提取
- 四、常用字符串函数
-
- 1. 字母型函数
- 2. 数值型函数
- 3. 统计型函数
- 4. 格式型函数
- 五、练习
-
- Ex1：房屋信息数据集
- Ex2：《权力的游戏》剧本数据集
一、str对象
1. str对象的设计意图
str 对象是定义在 Index 或 Series 上的属性，专门用于逐元素处理文本内容。在 pandas 的50个 str 对象方法中，有31个是和标准库中的 str 模块方法同名且功能一致，这为批量处理序列提供了有力的工具。
var = 'abcd'
str.upper(var) # 'ABCD'
s = pd.Series(['abcd', 'efg', 'hi'])
s.str.upper()
| 0 | |
|---|---|
| 0 | ABCD |
| 1 | EFG |
| 2 | HI |
2. []索引器
对于 str 对象而言，可理解为其对字符串进行了序列化的操作，例如在一般的字符串中，通过 [] 可以取出某个位置的元素：
var[0]
# 'a'
同时也能通过切片得到子串：
var[-1:0:-2]
# 'db'
通过对 str 对象使用 [] 索引器，可以完成完全一致的功能，并且如果超出范围则返回缺失值(这我没想到)：
s.str[0]
# 0 a
# 1 e
# 2 h
# dtype: object
s.str[-1: 0: -2]
# 0 db
# 1 g
# 2 i
# dtype: object
s.str[2]
# 0 c
# 1 g
# 2 NaN
# dtype: object
3. string类型
在上一章提到，从 pandas 的 1.0.0 版本开始，引入了 string 类型，其引入的动机在于：原来所有的字符串类型都会以 object 类型的 Series 进行存储，但 object 类型只应当存储混合类型，例如同时存储浮点、字符串、字典、列表、自定义类型等，因此字符串有必要同数值型或 category 一样，具有自己的数据存放类型，从而引入了 string 类型。
总体上说，绝大多数对于 object 和 string 类型的序列使用 str 对象方法产生的结果是一致，但是在下面提到的两点上有较大差异：
首先，应当尽量保证每一个序列中的值都是字符串的情况下才使用 str 属性，但这并不是必须的，其必要条件是序列中至少有一个可迭代（Iterable）对象，包括但不限于字符串、字典、列表。对于一个可迭代对象， string 类型的 str 对象和 object 类型的 str 对象返回结果可能是不同的。
s = pd.Series([{
1: 'temp_1', 2: 'temp_2'},
['a', 'b'], 0.5, 'my_string'])
s.str[1]
# 0 temp_1
# 1 b
# 2 NaN
# 3 y
# dtype: object
s.astype(np.str).str[1]
# 0 1
# 1 '
# 2 .
# 3 y
# dtype: object
这里我原来使用s.astype(‘string’)会报错，按理说升级了pandas到1.1.0应该就可以，原因未知。身边小伙伴有的正常有的和我一样，类型修改成np.str可以正常使用。
除了最后一个字符串元素，前几个元素返回的值都不同，其原因在于当序列类型为 object 时，是对于每一个元素进行 [] 索引，因此对于字典而言，返回temp_1字符串，对于列表则返回第二个值，而不可迭代对象，返回缺失值，最后一个是对字符串进行 [] 索引。而 string 类型的 str 对象先把整个元素转为字面意义的字符串，例如对于列表而言，第一个元素即 “{“，而对于最后一个字符串元素而言，恰好转化前后的表示方法一致，因此结果和 object 类型一致。
除了对于某些对象的 str 序列化方法不同之外，两者另外的一个差别在于， string 类型是 Nullable 类型，但 object 不是。这意味着 string 类型的序列，如果调用的 str 方法返回值为整数 Series 和布尔 Series 时，其分别对应的 dtype 是 Int 和 boolean 的 Nullable 类型，而 object 类型则会分别返回 int/float 和 bool/object ，取决于缺失值的存在与否。同时，字符串的比较操作，也具有相似的特性， string 返回 Nullable 类型，但 object 不会。
s = pd.Series(['a'])
s.str.len()
# 0 1
# dtype: int64
s.astype('string').str.len()
# 0 1
# dtype: Int64
s == 'a'
# 0 True
# dtype: bool
s.astype('string') == 'a'
# 0 True
# dtype: boolean
s = pd.Series(['a', np.nan]) # 带有缺失值
s.str.len()
# 0 1.0
# 1 NaN
# dtype: float64
s.astype('string').str.len()
# 0 1
# 1 最后需要注意的是，对于全体元素为数值类型的序列，即使其类型为 object 或者 category 也不允许直接使用 str 属性。如果需要把数字当成 string 类型处理，可以使用 astype 强制转换为 string 类型的 Series ：
s = pd.Series([12, 345, 6789])
s.astype('string').str[1]
# 0 2
# 1 4
# 2 7
# dtype: string
二、正则表达式基础
1. 一般字符的匹配
正则表达式是一种按照某种正则模式，从左到右匹配字符串中内容的一种工具。对于一般的字符而言，它可以找到其所在的位置，这里为了演示便利，使用了 python 中 re 模块的 findall 函数来匹配所有出现过但不重叠的模式，第一个参数是正则表达式，第二个参数是待匹配的字符串。例如，在下面的字符串中找出 apple ：
import re
re.findall('apple','one apple a day,
keep doctor away!Apple,apple!')
# ['apple', 'apple']
这里对大小写敏感，找到所有一致的字符串。
2. 元字符基础
代码练习
re.findall(r'.', 'abc')# 匹配任意字符
# [a,b,c]
re.findall(r'[ac]', 'abc')# 匹配a、c字符
#['a', 'c']
re.findall(r'[^b]{2}', 'aaaabbbbacccccccba')
# 匹配除b以外的其他字符 该示例中即a、c，要求匹配长度为2，即可能的组合为aa、ac、ca、cc,从左往右依次匹配，匹配到的就不再看了 所以依次匹配到aa aa ac cc cc cc
# ['aa', 'aa', 'ac', 'cc', 'cc', 'cc']
re.findall(r'[^b]{2,3}', 'aaaabbbbacccccccba')
# 类似上面 但是匹配长度区间为[2,3] 组合种类更多
# ['aaa', 'acc', 'ccc', 'cc']
re.findall(r'aaa|bbb','aaaabbbb')# 匹配aaa 或者 bbb
# ['aaa', 'bbb']
re.findall(r'a\\?|a\*', 'aa?a*a')
#\表示转义，\\即代表真正的“\”符号
# ?表示0次或1次，故\\?表示0次或1次“\”
# 结合起来 |左边即代表 a或者 a\
# 所以整个表达式含义为 从左往右依次匹配字符串中 a 或 a\ 或a*
# 每次匹配到a 就继续往后匹配 所以没有机会匹配到其他符号
# ['a', 'a', 'a', 'a']
re.findall(r'a?.', 'abaacadaae')
# 匹配 0个a或1个a 和其他任意一个字符
# ['ab', 'aa', 'c', 'ad', 'aa', 'e']
3. 简写字符集
此外，正则表达式中还有一类简写字符集，其等价于一组字符的集合：
re.findall(r'.s', 'Apple! This Is an Apple!')
# ['is', 'Is']
re.findall(r'\w{2}', '09 8? 7w c_ 9q p@')
# 匹配长度为2的字母、数字、下划线
# ['09', '7w', 'c_', '9q']
re.findall(r'\w\W\B','09 8? 7w c_ 9q p@')
# ['8?', 'p@']
re.findall(r'.\s.','Constant dropping wears the stone.')
# 匹配中间空格 长度为3的字符
# Out[40]: ['t d', 'g w', 's t', 'e s']
re.findall(r'上海市(.{2}区)(.{2,3}路)(\d+号)','上海市黄浦区方浜中路249号 上海市宝山区密山路5号')
# [('黄浦区', '方浜中路', '249号'), ('宝山区', '密山路', '5号')]
三、文本处理的五类操作
1. 拆分
str.split 能够把字符串的列进行拆分，其中第一个参数为正则表达式，可选参数包括从左到右的最大拆分次数 n ，是否展开为多个列 expand 。和python几乎一致。
s = pd.Series(['上海市黄浦区方浜中路249号',
'上海市宝山区密山路5号'])
s.str.split('[市区路]')
# 0 [上海, 黄浦, 方浜中, 249号]
# 1 [上海, 宝山, 密山, 5号]
# dtype: object
s.str.split(r'(.{2}区)(.{2,3}路)(\d+号)')
# 0 [上海市, 黄浦区, 方浜中路, 249号, ]
# 1 [上海市, 宝山区, 密山路, 5号, ]
# dtype: object
s.str.split('[市区路]',n=2, expand=True)
# 不设置expend时
# 0 [上海, 黄浦, 方浜中, 249号]
# 1 [上海, 宝山, 密山, 5号]
# dtype: object
设置了expend后，展开为多个列
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 上海 | 黄浦 | 方浜中路249号 |
| 1 | 上海 | 宝山 | 密山路5号 |
最大拆分次数为n,拆一次会分裂成两部分，所以拆分后为n+1部分。
试下n=3
s.str.split('[市区路]',n=3, expand=True)
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 0 | 上海 | 黄浦 | 方浜中 | 249号 |
| 1 | 上海 | 宝山 | 密山 | 5号 |
2. 合并
join 和 cat
区别在于join是内部的，比如将一个Series中字符串列表通过‘-’符号连接起来，而cat是外部的，如两个Series相连接。
s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
s.str.join('-')
# 0 a-b
# 1 NaN
# 2 NaN
# dtype: object
对于非字符型连接会变成NaN,试一下连接前将类型转成string。
s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
s.astype(np.str).str.join('-')
# 0 [-'-a-'-,- -'-b-'-]
# 1 [-1-,- -'-a-'-]
# 2 [-[-'-a-'-,- -'-b-'-]-,- -'-c-'-]
# dtype: object
str.cat 用于合并两个序列，主要参数为连接符 sep 、连接形式 join 以及缺失值替代符号 na_rep ，其中连接形式默认为以索引为键的左连接。
s1 = pd.Series(['a','b'])
s2 = pd.Series(['cat','dog'])
s2.index = [1, 2]
s1.str.cat(s2,sep='-',na_rep='?',join='outer')
# 0 a-?
# 1 b-cat
# 2 ?-dog
# dtype: object
3. 匹配
str.contains 返回了每个字符串是否包含正则模式的布尔序列：
s = pd.Series(['my cat', 'he is fat', 'railway station'])
s.str.contains('\s\wat')# 是否包含空格+字母/数字/下划线+at的字符
# 0 True
# 1 True
# 2 False
# dtype: bool
str.startswith 和 str.endswith 返回了每个字符串以给定模式为开始和结束的布尔序列，它们都不支持正则表达式：
s = pd.Series(['my cat', 'he is fat', 'railway station'])
s.str.startswith('my')
# 0 True
# 1 False
# 2 False
# dtype: bool
如果需要用正则表达式来检测开始或结束字符串的模式，可以使用 str.match ，其返回了每个字符串起始处是否符合给定正则模式的布尔序列：
s.str[::-1].str.match('tac')
# 反转后匹配是否有tac开始的字符串
# 反转后
# 0 tac ym
# 1 taf si eh
# 2 noitats yawliar
# dtype: object
# 匹配结果
# 0 True
# 1 False
# 2 False
# dtype: bool
当然，这些也能通过在 str.contains 的正则中使用 ^ 和 $ 来实现：
s.str.contains(r'[f|c]at$')
# 匹配结尾是否有fat或cat
# 0 True
# 1 True
# 2 False
# dtype: bool
除了上述返回值为布尔的匹配之外，还有一种返回索引的匹配函数，即 str.find 与 str.rfind ，其分别返回从左到右和从右到左第一次匹配的位置的索引，未找到则返回-1。需要注意的是这两个函数不支持正则匹配，只能用于字符子串的匹配：
s.str[::-1].str.find('ym')
# 0 4
# 1 -1
# 2 -1
# dtype: int64
4. 替换
str.replace 和 replace 并不是一个函数，在使用字符串替换时应当使用前者。
s = pd.Series(['a_1_b','c_?'])#将数字或？替换成"new"
s.str.replace('\d|\?', 'new', regex=True)
# 0 a_new_b
# 1 c_new
# dtype: object
当需要对不同部分进行有差别的替换时，可以利用 子组 的方法，并且此时可以通过传入自定义的替换函数来分别进行处理，注意 group(k) 代表匹配到的第 k 个子组（圆括号之间的内容）：
s = pd.Series(['上海市黄浦区方浜中路249号',
'上海市宝山区密山路5号',
'北京市昌平区北农路2号'])
pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
s.str.findall(r'(\w+市)(\w+区)(\w+路)(\d+号)')
先看下按照正则表达式匹配到的结果：
| 0 | |
|---|---|
| 0 | [(‘上海市’, ‘黄浦区’, ‘方浜中路’, ‘249号’)] |
| 1 | [(‘上海市’, ‘宝山区’, ‘密山路’, ‘5号’)] |
| 2 | [(‘北京市’, ‘昌平区’, ‘北农路’, ‘2号’)] |
s = pd.Series(['上海市黄浦区方浜中路249号',
'上海市宝山区密山路5号',
'北京市昌平区北农路2号'])
pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
city = {
'上海市': 'Shanghai', '北京市': 'Beijing'}
district = {
'昌平区': 'CP District',
'黄浦区': 'HP District',
'宝山区': 'BS District'}
road = {
'方浜中路': 'Mid Fangbin Road',
'密山路': 'Mishan Road',
'北农路': 'Beinong Road'}
def my_func(m):
str_city = city[m.group(1)]
str_district = district[m.group(2)]
str_road = road[m.group(3)]
str_no = 'No. ' + m.group(4)[:-1]
return ' '.join([str_city,
str_district,
str_road,
str_no])
s.str.replace(pat, my_func, regex=True)
# 0 Shanghai HP District Mid Fangbin Road No. 249
# 1 Shanghai BS District Mishan Road No. 5
# 2 Beijing CP District Beinong Road No. 2
# dtype: object
这里的数字标识并不直观，可以使用 命名子组 更加清晰地写出子组代表的含义：
pat = '(?P<市名>\w+市)(?P<区名>\w+区)(?P<路名>\w+路)(?P<编号>\d+号)'
def my_func(m):
str_city = city[m.group('市名')]
str_district = district[m.group('区名')]
str_road = road[m.group('路名')]
str_no = 'No. ' + m.group('编号')[:-1]
return ' '.join([str_city,
str_district,
str_road,
str_no])
s.str.replace(pat, my_func, regex=True)
?P的意思就是命名一个名字为value的组，匹配规则符合后面的规则。
5. 提取
提取既可以认为是一种返回具体元素（而不是布尔值或元素对应的索引位置）的匹配操作，也可以认为是一种特殊的拆分操作。前面提到的 str.split 例子中会把分隔符去除，这并不是用户想要的效果，这时候就可以用 str.extract 进行提取：
In [76]: pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
In [77]: s.str.extract(pat)
Out[77]:
0 1 2 3
0 上海市 黄浦区 方浜中路 249号
1 上海市 宝山区 密山路 5号
2 北京市 昌平区 北农路 2号
通过子组的命名，可以直接对新生成 DataFrame 的列命名：
In [78]: pat = '(?P<市名>\w+市)(?P<区名>\w+区)(?P<路名>\w+路)(?P<编号>\d+号)'
In [79]: s.str.extract(pat)
Out[79]:
市名 区名 路名 编号
0 上海市 黄浦区 方浜中路 249号
1 上海市 宝山区 密山路 5号
2 北京市 昌平区 北农路 2号
str.extractall 不同于 str.extract 只匹配一次，它会把所有符合条件的模式全部匹配出来，如果存在多个结果，则以多级索引的方式存储：
In [80]: s = pd.Series(['A135T15,A26S5','B674S2,B25T6'], index = ['my_A','my_B'])
In [81]: pat = '[A|B](\d+)[T|S](\d+)'
In [82]: s.str.extractall(pat)
Out[82]:
0 1
match
my_A 0 135 15
1 26 5
my_B 0 674 2
1 25 6
In [83]: pat_with_name = '[A|B](?P\d+)[T|S](?P\d+)'
In [84]: s.str.extractall(pat_with_name)
Out[84]:
name1 name2
match
my_A 0 135 15
1 26 5
my_B 0 674 2
1 25 6
str.findall 的功能类似于 str.extractall ，区别在于前者把结果存入列表中，而后者处理为多级索引，每个行只对应一组匹配，而不是把所有匹配组合构成列表。
In [85]: s.str.findall(pat)
Out[85]:
my_A [(135, 15), (26, 5)]
my_B [(674, 2), (25, 6)]
dtype: object
四、常用字符串函数
除了上述介绍的五类字符串操作有关的函数之外， str 对象上还定义了一些实用的其他方法，在此进行介绍：
1. 字母型函数
upper, lower, title, capitalize, swapcase 这五个函数主要用于字母的大小写转化，从下面的例子中就容易领会其功能：
In [86]: s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])
In [87]: s.str.upper()# 大写
Out[87]:
0 LOWER
1 CAPITALS
2 THIS IS A SENTENCE
3 SWAPCASE
dtype: object
In [88]: s.str.lower()# 小写
Out[88]:
0 lower
1 capitals
2 this is a sentence
3 swapcase
dtype: object
In [89]: s.str.title()# 每个单词首字母大写
Out[89]:
0 Lower
1 Capitals
2 This Is A Sentence
3 Swapcase
dtype: object
In [90]: s.str.capitalize()#整句只有首个单词大写
Out[90]:
0 Lower
1 Capitals
2 This is a sentence
3 Swapcase
dtype: object
In [91]: s.str.swapcase()#转换大小写
Out[91]:
0 LOWER
1 capitals
2 THIS IS A SENTENCE
3 sWaPcAsE
dtype: object
2. 数值型函数
这里着重需要介绍的是 pd.to_numeric 方法，它虽然不是 str 对象上的方法，但是能够对字符格式的数值进行快速转换和筛选。其主要参数包括 errors 和 downcast 分别代表了非数值的处理模式和转换类型。其中，对于不能转换为数值的有三种 errors 选项， raise, coerce, ignore 分别表示直接报错、设为缺失以及保持原来的字符串。
In [92]: s = pd.Series(['1', '2.2', '2e', '??', '-2.1', '0'])
In [93]: pd.to_numeric(s, errors='ignore')
Out[93]:
0 1
1 2.2
2 2e
3 ??
4 -2.1
5 0
dtype: object
In [94]: pd.to_numeric(s, errors='coerce')
Out[94]:
0 1.0
1 2.2
2 NaN
3 NaN
4 -2.1
5 0.0
dtype: float64
在数据清洗时，可以利用 coerce 的设定，快速查看非数值型的行：
In [95]: s[pd.to_numeric(s, errors='coerce').isna()]
Out[95]:
2 2e
3 ??
dtype: object
3. 统计型函数
count 和 len 的作用分别是返回出现正则模式的次数和字符串的长度.
In [96]: s = pd.Series(['cat rat fat at', 'get feed sheet heat'])
In [97]: s.str.count('[r|f]at|ee')
Out[97]:
0 2
1 2
dtype: int64
In [98]: s.str.len()
Out[98]:
0 14
1 19
dtype: int64
4. 格式型函数
格式型函数主要分为两类，第一种是除空型，第二种时填充型。其中，第一类函数一共有三种，它们分别是 strip, rstrip, lstrip ，分别代表去除两侧空格、右侧空格和左侧空格。这些函数在数据清洗时是有用的，特别是列名含有非法空格的时候。
In [99]: my_index = pd.Index([' col1', 'col2 ', ' col3 '])
In [100]: my_index.str.strip().str.len()
Out[100]: Int64Index([4, 4, 4], dtype='int64')
In [101]: my_index.str.rstrip().str.len()
Out[101]: Int64Index([5, 4, 5], dtype='int64')
In [102]: my_index.str.lstrip().str.len()
Out[102]: Int64Index([4, 5, 5], dtype='int64')
对于填充型函数而言， pad 是最灵活的，它可以选定字符串长度、填充的方向和填充内容：
In [103]: s = pd.Series(['a','b','c'])
In [104]: s.str.pad(5,'left','*')
Out[104]:
0 ****a
1 ****b
2 ****c
dtype: object
In [105]: s.str.pad(5,'right','*')
Out[105]:
0 a****
1 b****
2 c****
dtype: object
In [106]: s.str.pad(5,'both','*')
Out[106]:
0 **a**
1 **b**
2 **c**
dtype: object
上述的三种情况可以分别用 rjust, ljust, center 来等效完成，需要注意 ljust 是指右侧填充而不是左侧填充：
In [107]: s.str.rjust(5, '*')
Out[107]:
0 ****a
1 ****b
2 ****c
dtype: object
In [108]: s.str.ljust(5, '*')
Out[108]:
0 a****
1 b****
2 c****
dtype: object
In [109]: s.str.center(5, '*')
Out[109]:
0 **a**
1 **b**
2 **c**
dtype: object
在读取 excel 文件时，经常会出现数字前补0的需求，例如证券代码读入的时候会把”000007”作为数值7来处理， pandas 中除了可以使用上面的左侧填充函数进行操作之外，还可用 zfill 来实现。
In [110]: s = pd.Series([7, 155, 303000]).astype('string')
In [111]: s.str.pad(6,'left','0')
Out[111]:
0 000007
1 000155
2 303000
dtype: string
In [112]: s.str.rjust(6,'0')
Out[112]:
0 000007
1 000155
2 303000
dtype: string
In [113]: s.str.zfill(6)
Out[113]:
0 000007
1 000155
2 303000
dtype: string
五、练习
Ex1：房屋信息数据集
- 将 year 列改为整数年份存储
df['year']=df['year'].str.replace(r'年建','')
df.head()
| floor | year | area | price | |
|---|---|---|---|---|
| 0 | 高层（共6层） | 1986 | 58.23㎡ | 155万 |
| 1 | 中层（共20层） | 2020 | 88㎡ | 155万 |
| 2 | 低层（共28层） | 2010 | 89.33㎡ | 365万 |
| 3 | 低层（共20层） | 2014 | 82㎡ | 308万 |
| 4 | 高层（共1层） | 2015 | 98㎡ | 117万 |
答案给的方法是使用pd.to_numeric 方法，它虽然不是 str 对象上的方法，但是能够对字符格式的数值进行快速转换，在这里使用更合理：
df.year = pd.to_numeric(df.year.str[:-2]).astype('Int64')
- 将 floor 列替换为 Level, Highest 两列，其中的元素分别为 string 类型的层类别（高层、中层、低层）与整数类型的最高层数。
首先利用正则表达式将floor中的等级和最高层找到，然后利用str.extract提取需要的列,使用正则表达式的时候可以直接命名组，后面就不用再对列重命名了。
pat='(?P\w层)（共(?P\d+)层）'
df['floor'].str.extract(pat).head()
| Level | Highest | |
|---|---|---|
| 0 | 高层 | 6 |
| 1 | 中层 | 20 |
| 2 | 低层 | 28 |
| 3 | 低层 | 20 |
| 4 | 高层 | 1 |
之后再拼接上，以及把floor列去除即可，下面是完整代码：
pat='(?P\w层)（共(?P\d+)层）'
floor_cols=df['floor'].str.extract(pat)
df=pd.concat([df,floor_cols],1).drop(columns=['floor'])
df
| year | area | price | Level | Highest | |
|---|---|---|---|---|---|
| 0 | 1986 | 58.23㎡ | 155万 | 高层 | 6 |
| 1 | 2020 | 88㎡ | 155万 | 中层 | 20 |
| 2 | 2010 | 89.33㎡ | 365万 | 低层 | 28 |
| 3 | 2014 | 82㎡ | 308万 | 低层 | 20 |
| 4 | 2015 | 98㎡ | 117万 | 高层 | 1 |
- 计算房屋每平米的均价 avg_price ，以 ***元/平米 的格式存储到表中，其中 ***为整数。
s_area=pd.to_numeric(df.area.str[:-1])
s_price=pd.to_numeric(df.price.str[:-1])
df['avg_price'] = ((s_price/s_area)*10000).astype(
'int').astype('string') + '元/平米'
df.head(3)
| year | area | price | Level | Highest | avg_price | |
|---|---|---|---|---|---|---|
| 0 | 1986 | 58.23㎡ | 155万 | 高层 | 6 | 26618元/平米 |
| 1 | 2020 | 88㎡ | 155万 | 中层 | 20 | 17613元/平米 |
| 2 | 2010 | 89.33㎡ | 365万 | 低层 | 28 | 40859元/平米 |
刚开始忘记把算好的价格先转成整数了，这个要注意下。
Ex2：《权力的游戏》剧本数据集
- 计算每一个 Episode 的台词条数。
刚开始我心想直接用个gropuby不就行了嘛，结果报列名错误。打印了下列名发现几个列前后都有空格。
[‘Release Date’, ’ Season’, 'Episode ', ‘Episode Title’, ‘Name’,
‘Sentence’]
先将列名空格空格去掉再做就ok了
df.columns = df.columns.str.strip()
df.groupby(['Season', 'Episode'])['Sentence'].count().head()
| Sentence | |
|---|---|
| (‘Season 1’, ‘Episode 1’) | 327 |
| (‘Season 1’, ‘Episode 10’) | 266 |
| (‘Season 1’, ‘Episode 2’) | 283 |
| (‘Season 1’, ‘Episode 3’) | 353 |
| (‘Season 1’, ‘Episode 4’) | 404 |
- 以空格为单词的分割符号，请求出单句台词平均单词量最多的前五个人。
df.set_index('Name').Sentence.str.split().str.len(
).groupby('Name').mean().sort_values(ascending=False).head()
| Name | Sentence |
|---|---|
| male singer | 109 |
| slave owner | 77 |
| manderly | 62 |
| lollys stokeworth | 62 |
| dothraki matron | 56.6667 |
这个单组做按空格分裂、分组求平均，求字符串长度都会，但是组合起来有点难度。
- 若某人的台词中含有问号，那么下一个说台词的人即为回答者。若上一人台词中含有 n 个问号，则认为回答者回答了 n 个问题，请求出回答最多问题的前五个人。
这个也是看了答案后有思路的。
s = pd.Series(df.Sentence.values, index=df.Name.shift(-1))
s.str.count('\?').groupby('Name').sum().sort_values(ascending=False).head()
| Name | 0 |
|---|---|
| tyrion lannister | 527 |
| jon snow | 374 |
| jaime lannister | 283 |
| arya stark | 265 |
| cersei lannister | 246 |