Datawhale Pandas 打卡-第八章 文本数据

这一章学习的是文本数据，主要学习的是正则表达式的应用。

正则表达式

我觉得这张表非常有用。

还有这张简写字符集表

文本处理五类操作

拆分：str.split方法，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：关于合并一共有两个函数，分别是 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。

匹配：
（1）str.contains: 支持正则表达式，用于返回每个字符串是否包含正则模式的布尔序列。
（2）str.startwith、str.endswith: 不支持正则表达式，用于返回每个字符串以给定模式为开始和结束的布尔序列。
（3) str.find和str.rfind: 分别返回从左到右和从右到左第一次匹配的位置的索引，未找到返回-1。
替换：str.replace
提取：str.extract只匹配一次，str.extractall匹配所有符合条件的字符串。

练习

1.1 将 year 列改为整数年份存储。
可以利用to_numeric函数来对字符进行快速转换。

1.2 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。
先建立正则表达式，再利用str.extract函数进行提取。

1.3 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。

2.1 计算每一个 Episode 的台词条数。

先将每个列名的空格去掉。再对‘Season’，‘Episode’字段进行分组。

2.2 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。
可以使用split函数将Sentence分割成单词再用len统计单词数，随后按Name列分组求出均值，再排序。

2.3 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。
利用shift函数将问句与后一个人相匹配。
再根据'?'进行统计，求和后排序。