pandas学习：第九天

---

文本数据

---

一、str对象

str对象的设计意图

定义是在index或series上的属性，用于逐元素处理文本内容

[]索引器

通过[]来取出某一位置的元素，也能通过其进行切片

string类型

一般pandas中的元素类型是以object类型的series进行储存的，但是object类型是储存混合类型的
在不同的类型的下的切片，输出结果与元素的类型有关

二、正则表达式基础

import re

一般字符匹配

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

元字符基础

简写字符集

三、文本处理的五类操作

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 。

合并

str.join 和 str.cat 。 str.join 表示用某个连接符把 Series 中的字符串列表连接起来，如果列表中出现了非字符串元素则返回缺失值
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

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
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
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
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

替换

str.replace

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
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

四、常用字符串函数

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

数值型函数

pd.to_numeric 方法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
在数据清洗时，可以利用 coerce 的设定，快速查看非数值型的行

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

格式型函数

除空型：strip, rstrip, lstrip ，分别代表去除两侧空格、右侧空格和左侧空格
填充型：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，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，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