?

一、string類型的性質

1.string和object的區別

string類型和object不同之處有三：

• 字符存取方法（string accessor methods，如str.count）會返回相應數據的Nullable類型，而object會隨缺失值的存在而改變返回類型
• 某些Series方法不能在string上使用，例如：Series.str.decode(),因為存儲的字符串而不是字節
• string類型在缺失值存儲或運算時，類型會廣播為pd.NA,而不是浮點型np.nan

2.string類型的轉換

如果將一個其他類型的容器直接轉換string類型可能會出錯，需要分成兩個轉換，先轉成str型的object，然后再轉成string類型：

#pd.Series([1,'1.']).astype('string') #報錯 #pd.Series([1,2]).astype('string') #報錯 #pd.Series([True,False]).astype('string') #報錯#正確的 pd.Series([1,'1.']).astype('str').astype('string') pd.Series([1,2]).astype('str').astype('string') pd.Series([True,False]).astype('str').astype('string')

3. str和string的區別

（a）str字符串有三種寫法：

單引號（Single quotes）、雙引號（Double quotes）、三引號（Triple quoted）。

單雙引號可以互相嵌套，三引號可以嵌套單雙引號，使得字符串擴展為多行。若要嵌套自身，需要用反斜杠轉移。

注：兩個字符串字面量之間只有空格時，它們會被自動轉換為一個字符串

?

二、拆分與拼接

1.str.split方法

（a）分割符與str的位置元素選取

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

注意split后的類型是object，因為現在Series中的元素已經不是string，而包含了list，且string類型只能含有字符串

對于str方法可以進行元素的選擇，如果該單元格元素是列表，那么str[i]表示取出第i個元素，如果是單個元素，則先把元素轉為列表在取出

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

（b）其他參數

expand參數控制了是否將列拆開，n參數代表最多分割多少次

2.str.cat方法

（a）不同對象的拼接模式

對于單個Series而言，指將所有的元素進行字符合并為字符串，其中可選sep分割符參數，和缺失值替代字符na_rep參數

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

對于兩個Series合并而言，是對應索引的元素進行合并，同樣也有相應參數，但是注意是兩個缺失值被同時替換

? s = pd.Series(['ab',None,'d'],dtype='string') print(s) s2 = pd.Series(['24',None,None],dtype='string') print(s2)#使用分割符? s.str.cat(s2,sep=',',na_rep='*')

多列拼接可以分為表的拼接和多Series拼接

#表的拼接 s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')#多個Series拼接 s.str.cat([s+'0',s*2])

（b）cat中的索引對齊

當前版本中，如果兩邊合并的索引不相同且未指定join參數，默認為左連接，設置join='left'

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

三、替換

1.str.replace的常見用法?

第一個值寫r開頭的正則表達式，后一個寫替換的字符串

s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 'CABA', 'dog', 'cat'],dtype="string") print(s) s.str.replace(r'^[AB]','***')

2.子組與函數替換

通過正整數調用子組（0返回字符本身，從1開始才是子組）

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

利用?<...>表達書可以對子組命名調用

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

3.str.replace注意事項

• str.replace針對的是object類型或string類型，默認是以正則表達式為操作，目前暫時不支持DataFrame上使用
• replace針對的是任意類型的序列或數據框，如果要以正則表達式替換，需要設置regex=True，該方法通過字典可支持多列替換，但現在由于string類型的初步引入，用法上出現了一些問題，這些issue有望在以后的版本中修復

（a）str.replace賦值參數不得為pd.NA

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

（b）對于string類型Series，在使用replace函數時不能使用正則表達式替換

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

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

（c）string類型序列如果存在缺失值，不能使用replace替換

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

四、子串匹配與提取

1.str.extract方法

（a）常用方法

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

使用子組名作為列名

pd.Series(['10-87', '10-88', '-89'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})')

利用？正則表計選擇部分提取

pd.Series(['10-87', '10-88', '-89'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})?-(?P<name_2>[\d]{2})')

（b）expand參數（默認為True）

對于一個子組的Series，如果expand設置為False，則返回Series，若大于一個子組，則expand參數無效，全部返回DataFrame

對于一個子組的Index，如果expand設置為False，則返回提取后的Index，若大于一個子組且expand為False，報錯

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

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

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

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

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

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

2.str.extractall方法

與extract只匹配第一個符合條件的表達式不同，extractall會找出所有符合條件的字符串，并建立多級索引（即使只找到一個）?

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

s.str.extractall(two_groups)

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

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

3.str.contains 和str.match

str.contains是檢測是否包含某種正則模式，可選參數為na

#查看是否包含字母和數字 pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains(r'[0-9][a-z]') #查看是否包含a pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains('a', na=False)

str.match與str.contrains的區別在于，match依賴于python的re.match，檢測內容是否從頭開始包含該正則模式

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

五、常用字符串方法

1.過濾型方法

（a）str.strip 常同于過濾空格

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

（b）str.lower（字母小寫）和str.upper(字母大寫)

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

（c）str.swapcase和str.capitalize（交換字母大小寫和大寫首字母）

pd.Series('abCD',dtype="string").str.swapcase()#大寫變小寫，小寫變大寫 pd.Series('abCD',dtype="string").str.capitalize()#將字符串的第一個字母變成大寫,其他字母變小寫

2.isnumeric方法

檢查每一位是否都是數字，請問如何判斷是否是數值

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

練習：

題二：

求col2的均值，要考慮怎么將字符串類型的負數轉換為我們理解的負數，這里用split按照-分割，可將字符串分成兩部分，整數則直接轉換，負數則可以乘以-1進行轉換，在轉換過程遇到了0-，9‘，/7等不符合常規字符，可先將轉換（前提是數量不多的情況下）。代碼如下：

df.loc[[309,396,485],'col2'] = ['0','9','7'] collist = [] for i in range (df['col2'].shape[0]):strlist = df['col2'][i].split('-')if len(strlist)==2 and strlist[0] =='':col = int(strlist[1])*(-1)else:col = int(strlist[0])collist.append(col) df['new_col2'] = collist df['new_col2'].mean()

官方答案，正常思路是可以用正則表達式篩選出非常規字符，然后進行轉換，正則表達式不太會，還在學習中：

df['col2'][~(df['col2'].str.replace(r'-?\d+','True')=='True')] #這三行有問題 df.loc[[309,396,485],'col2'] = [0,9,7] df['col2'].astype('int').mean()

?

總結

以上是生活随笔為你收集整理的Datawhale组队-Pandas（下）文本数据（打卡）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。