Pandas学习总结——7. 文本数据处理

1 string类型

1.1 string与object的区别

string类型和object有三个不同之处：

• 字符存取方法（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
• 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
• 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

1.2 string类型的转换

其他类型的容器不能直接转换string类型，可能会出错：

#pd.Series([1,'1.']).astype('string') #报错
#pd.Series([1,2]).astype('string') #报错
#pd.Series([True,False]).astype('string') #报错

可以分两部转换，先转为str型object，再转为string类型：

pd.Series([1,'2.']).astype('str').astype('string')

0     1
1    2.
dtype: string

2 string类型的一些操作

2.1 拆分（str.split方法）

（a）分割符与str的位置元素选取

s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
s.str.split('_')	# 根据某一个元素分割，默认为空格

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

注意： 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

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再取出

s.str.split('_').str[1]

0       b
1       d
2    
3       g
dtype: object

pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1]
#第一个元素先转为['a','_','b','_','c']

0    _
1    b
dtype: object

（b）其他参数
expand参数控制了是否将列拆开，n参数代表最多分割多少次

s.str.split('_',expand=True)

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

s.str.split('_',n=1)

0    [a, b_c]
1    [c, d_e]
2        
3    [f, g_h]
dtype: object

s.str.split('_',expand=True,n=1)

	0	1
0	a	b_c
1	c	d_e
2
3	f	g_h

2.2 拼接（str.cat方法）

（a）不同对象的拼接模式
cat方法的对象包括：单列、双列、多列，其作用结果并不相同

• 对单个Series而言，就是指所有的元素进行字符合并为一个字符串。其中可选分隔符sep参数、缺失值替代字符na_rep参数

s = pd.Series(['ab',None,'d'],dtype='string')
s.str.cat()

'abd'

s.str.cat(sep=',')

'ab,d'

s.str.cat(sep=',',na_rep='*')

'ab,*,d'

• 对两个Series合并而言，是对应索引的元素进行合并

s2 = pd.Series(['24',None,None],dtype='string')
s.str.cat(s2)

0    ab24
1    
2    
dtype: string

同样也有相应分隔符sep参数缺失值替代字符na_rep参数，需要注意的是两个缺失值会被同时替换

s.str.cat(s2,sep=',',na_rep='*')

0    ab,24
1      *,*
2      d,*
dtype: string

• 多列拼接可以分为表的拼接和多Series拼接（注意其结果）

（1）表的拼接

s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')

0    ab15
1     *3b
2     d5*
dtype: string

（2）多个Series拼接

s.str.cat([s+'0',s*2])

0    abab0abab
1         
2        dd0dd
dtype: string

（b）cat中的索引对齐
若两边合并的索引不相同且未指定join参数，默认为左连接，设置join='left'

s2 = pd.Series(list('abc'),index=[1,2,3],dtype='string')
s.str.cat(s2,na_rep='*')

0    ab*
1     *a
2     db
dtype: string

2.3 替换（str.replace方法）

广义上的替换是指str.replace函数的应用，fillna是针对缺失值的替换，这里已经做了介绍。

（1）str.replace的常见用法

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

0       A
1       B
2       C
3    Aaba
4    Baca
5        
6    
7    CABA
8     dog
9     cat
dtype: string

str.replace第一个值写r开头的正则表达式，后一个写替换的字符串

s.str.replace(r'^[AB]','***')

0       ***
1       ***
2         C
3    ***aba
4    ***aca
5          
6      
7      CABA
8       dog
9       cat
dtype: string

（2）子组与函数替换

通过正整数调用子组（0返回字符本身，从1开始才是子组）

s.str.replace(r'([ABC])(\w+)',lambda x:x.group(2)[1:]+'*')

0       A
1       B
2       C
3     ba*
4     ca*
5        
6    
7     BA*
8     dog
9     cat
dtype: string

利用?P<....>表达式可以对子组命名调用

s.str.replace(r'(?P[ABC])(?P\w+)',lambda x:x.group('two')[1:]+'*')

0       A
1       B
2       C
3     ba*
4     ca*
5        
6    
7     BA*
8     dog
9     cat
dtype: string

（3） 关于str.replace的注意事项

• （a）str.replace和replace并不是一个东西：

  • str.replace针对的是object类型或string类型，默认是以正则表达式为操作，目前暂时不支持DataFrame上使用;
  • replace针对的是任意类型的序列或数据框，如果要以正则表达式替换，需要设置regex=True，该方法通过字典可支持多列替换

• （b）str.replace赋值参数不得为pd.NA
  这听上去非常不合理，例如对满足某些正则条件的字符串替换为缺失值，直接更改为缺失值在当下版本就会报错。此时，可以先转为object类型再转换回来，曲线救国：

#pd.Series(['A','B'],dtype='string').str.replace(r'[A]',pd.NA) #报错
#pd.Series(['A','B'],dtype='O').str.replace(r'[A]',pd.NA) #报错

pd.Series(['A','B'],dtype='string').astype('O').replace(r'[A]',pd.NA,regex=True).astype('string')

0    
1       B
dtype: string

• （c）对于string类型Series，在使用replace函数时不能使用正则表达式替换（非正则替换是可以的）

pd.Series(['A','B'],dtype='string').replace(r'[A]','C',regex=True)

0    A
1    B
dtype: string

pd.Series(['A','B'],dtype='O').replace(r'[A]','C',regex=True)

0    C
1    B
dtype: object

• （d）string类型序列如果存在缺失值，不能使用replace替换

#pd.Series(['A',np.nan],dtype='string').replace('A','B') #报错

pd.Series(['A',np.nan],dtype='string').str.replace('A','B')

0       B
1    
dtype: string

综上，概况的说，除非需要赋值元素为缺失值（转为object再转回来），否则使用str.replace方法

2.4 子串匹配与提取

2.4.1 str.extract方法

（a）常见用法

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

	0	1
0	10	87
1	10	88
2	10	89

使用子组名作为列名

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

	name_1	name_2
0	10	87
1	10	88
2

利用?正则标记选择部分提取

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

	name_1	name_2
0	10	87
1	10	88
2		89

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

	name_1	name_2
0	10	87
1	10	88
2	10

（b）expand参数（默认为True）

• 对于一个子组的Series，如果expand设置为False，则返回Series，若大于一个子组，则expand参数无效，全部返回DataFrame
• 对于一个子组的Index，如果expand设置为False，则返回提取后的Index，若大于一个子组且expand为False，报错

s = pd.Series(["a1", "b2", "c3"], ["A11", "B22", "C33"], dtype="string")
s.index

Index(['A11', 'B22', 'C33'], dtype='object')

s.str.extract(r'([\w])')

	0
A11	a
B22	b
C33	c

s.str.extract(r'([\w])',expand=False)

A11    a
B22    b
C33    c
dtype: string

s.index.str.extract(r'([\w])')

	0
0	A
1	B
2	C

s.index.str.extract(r'([\w])',expand=False)

Index(['A', 'B', 'C'], dtype='object')

s.index.str.extract(r'([\w])([\d])')

	0	1
0	A	1
1	B	2
2	C	3

#s.index.str.extract(r'([\w])([\d])',expand=False) #报错

2.4.2 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）

s = pd.Series(["a1a2", "b1", "c1"], index=["A", "B", "C"],dtype="string")
two_groups = '(?P[a-z])(?P[0-9])'
s.str.extract(two_groups, expand=True)

	letter	digit
A	a	1
B	b	1
C	c	1

s.str.extractall(two_groups)

		letter	digit
	match
A	0	a	1
	1	a	2
B	0	b	1
C	0	c	1

s['A']='a1'
s.str.extractall(two_groups)

		letter	digit
	match
A	0	a	1
B	0	b	1
C	0	c	1

如果想查看第i层匹配，可使用xs方法

s = pd.Series(["a1a2", "b1b2", "c1c2"], index=["A", "B", "C"],dtype="string")
s.str.extractall(two_groups).xs(1,level='match')

	letter	digit
A	a	2
B	b	2
C	c	2

2.4.3 str.contains

其作用是：检测是否包含某种正则模式

pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains(r'[0-9][a-z]')

0    False
1     
2     True
3     True
4     True
dtype: boolean

可选参数为na

pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains('a', na=False)

0    False
1    False
2     True
3    False
4    False
dtype: boolean

2.4.4 str.match

str.match依赖于python的re.match，检测内容为：是否从头开始包含该正则模式

pd.Series(['1', None, '3a_', '3b', '03c'], dtype="string").str.match(r'[0-9][a-z]',na=False)

0    False
1    False
2     True
3     True
4    False
dtype: boolean

pd.Series(['1', None, '_3a', '3b', '03c'], dtype="string").str.match(r'[0-9][a-z]',na=False)

0    False
1    False
2    False
3     True
4    False
dtype: boolean

3 常用字符串方法

3.1 过滤型方法

（a）str.strip：常用于过滤空格

pd.Series(list('abc'),index=[' space1  ','space2  ','  space3'],dtype="string").index.str.strip()

Index(['space1', 'space2', 'space3'], dtype='object')

（b）str.lower

pd.Series('A',dtype="string").str.lower()

0    a
dtype: string

（c）str.upper

pd.Series('a',dtype="string").str.upper()

0    A
dtype: string

（d）str.swapcase：交换字母大小写

pd.Series('abCD',dtype="string").str.swapcase()

0    ABcd
dtype: string

（e）str.capitalize：大写首字母

pd.Series('abCD',dtype="string").str.capitalize()

0    Abcd
dtype: string

3.2 isnumeric方法

检查每一位是否都是数字，请问如何判断是否是数值？

pd.Series(['1.2','1','-0.3','a',np.nan],dtype="string").str.isnumeric()

0    False
1     True
2    False
3    False
4     
dtype: boolean

如果你觉得有用，请点个赞吧！

你的支持是对我的最大鼓励。