import numpy as np
import pandas as pd
str
对象是定义在Index
或Series
上的属性,专门用于处理每个元素的文本内容,其内部定义了大量方法,因此对一个序列进行文本处理,首先需要获取其str
对象。在Python标准库中也有str
模块,为了使用上的便利,有许多函数的用法pandas
照搬了它的设计,例如字母转为大写的操作:
var = 'abcd'
str.upper(var) # Python内置str模块
s = pd.Series(['abcd', 'efg', 'hi'])
s.str
s.str.upper() # pandas中str对象上的upper方法
根据文档API
材料,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。
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]
同时也能通过切片得到子串:
var[-1: 0: -2]
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:
s.str[0]
s.str[-1: 0: -2]
s.str[2]
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,具有自己的数据存储类型,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]
s.astype('string').str[1]
除了最后一个字符串元素,前三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,而第三个为不可迭代对象,返回缺失值,第四个是对字符串进行[]
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()
s.astype('string').str.len()
s == 'a'
s.astype('string') == 'a'
s = pd.Series(['a', np.nan]) # 带有缺失值
s.str.len()
s.astype('string').str.len()
s == 'a'
s.astype('string') == 'a'
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]
这一节的两个表格来自于learn-regex-zh这个关于正则表达式项目,其使用MIT
开源许可协议。这里只是介绍正则表达式的基本用法,需要系统学习的读者可参考正则表达式必知必会一书。
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(r'Apple', 'Apple! This Is an Apple!')
re.findall(r'.', 'abc')
re.findall(r'[ac]', 'abc')
re.findall(r'[^ac]', 'abc')
re.findall(r'[ab]{2}', 'aaaabbbb') # {n}指匹配n次
re.findall(r'aaa|bbb', 'aaaabbbb')
re.findall(r'a\\?|a\*', 'aa?a*a')
re.findall(r'a?.', 'abaacadaae')
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:
简写 | 描述 |
---|---|
\w | 匹配所有字母、数字、下划线: [a-zA-Z0-9_] |
\W | 匹配非字母和数字的字符: [^\w] |
\d | 匹配数字: [0-9] |
\D | 匹配非数字: [^\d] |
\s | 匹配空格符: [\t\n\f\r\p{Z}] |
\S | 匹配非空格符: [^\s] |
\B | 匹配一组非空字符开头或结尾的位置,不代表具体字符 |
re.findall(r'.s', 'Apple! This Is an Apple!')
re.findall(r'\w{2}', '09 8? 7w c_ 9q p@')
re.findall(r'\w\W\B', '09 8? 7w c_ 9q p@')
re.findall(r'.\s.', 'Constant dropping wears the stone.')
re.findall(r'上海市(.{2,3}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')
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
。
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]')
s.str.split('[市区路]', n=2, expand=True)
与其类似的函数是str.rsplit
,其区别在于使用n
参数的时候是从右到左限制最大拆分次数。但是当前版本下rsplit
因为bug
而无法使用正则表达式进行分割:
s.str.rsplit('[市区路]', n=2, expand=True)
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:
s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
s.str.join('-')
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'])
s1.str.cat(s2,sep='-')
s2.index = [1, 2]
s1.str.cat(s2, sep='-', na_rep='?', join='outer')
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')
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.str.startswith('my')
s.str.endswith('t')
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.match('m|h')
s.str[::-1].str.match('ta[f|g]|n') # 反转后匹配
当然,这些也能通过在str.contains
的正则中使用^
和$
来实现:
s.str.contains('^[m|h]')
s.str.contains('[f|g]at|n$')
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 = pd.Series(['This is an apple. That is not an apple.'])
s.str.find('apple')
s.str.rfind('apple')
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_?'])
s.str.replace('\d|\?', 'new', regex=True)
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)'
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)
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)
这里虽然看起来有些繁杂,但是实际数据处理中对应的替换,一般都会通过代码来获取数据从而构造字典映射,在具体写法上会简洁的多。
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:
pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
s.str.extract(pat)
通过子组的命名,可以直接对新生成DataFrame
的列命名:
pat = '(?P<市名>\w+市)(?P<区名>\w+区)(?P<路名>\w+路)(?P<编号>\d+号)'
s.str.extract(pat)
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:
s = pd.Series(['A135T15,A26S5','B674S2,B25T6'], index = ['my_A','my_B'])
pat = '[A|B](\d+)[T|S](\d+)'
s.str.extractall(pat)
pat_with_name = '[A|B](?P<name1>\d+)[T|S](?P<name2>\d+)'
s.str.extractall(pat_with_name)
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。
s.str.findall(pat)
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:
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:
s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])
s.str.upper()
s.str.lower()
s.str.title()
s.str.capitalize()
s.str.swapcase()
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。
s = pd.Series(['1', '2.2', '2e', '??', '-2.1', '0'])
pd.to_numeric(s, errors='ignore')
pd.to_numeric(s, errors='coerce')
在数据清洗时,可以利用coerce
的设定,快速查看非数值型的行:
s[pd.to_numeric(s, errors='coerce').isna()]
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:
s = pd.Series(['cat rat fat at', 'get feed sheet heat'])
s.str.count('[r|f]at|ee')
s.str.len()
格式型函数主要分为两类,第一种是除空型,第二种是填充型。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。
my_index = pd.Index([' col1', 'col2 ', ' col3 '])
my_index.str.strip().str.len()
my_index.str.rstrip().str.len()
my_index.str.lstrip().str.len()
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:
s = pd.Series(['a','b','c'])
s.str.pad(5,'left','*')
s.str.pad(5,'right','*')
s.str.pad(5,'both','*')
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:
s.str.rjust(5, '*')
s.str.ljust(5, '*')
s.str.center(5, '*')
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。
s = pd.Series([7, 155, 303000]).astype('string')
s.str.pad(6,'left','0')
s.str.rjust(6,'0')
s.str.zfill(6)
现有一份房屋信息数据集如下:
df = pd.read_excel('../data/house_info.xls', usecols=['floor','year','area','price'])
df.head(3)
year
列改为整数年份存储。df = pd.read_excel('../data/house_info.xls', usecols=['floor','year','area','price'])
df.year = pd.to_numeric(df.year.str[:-2]).astype('Int64')
df.head(3)
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。pat = '(\w层)(共(\d+)层)'
new_cols = df.floor.str.extract(pat).rename(columns={0:'Level', 1:'Highest'})
df = pd.concat([df.drop(columns=['floor']), new_cols], 1)
df.head(3)
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)
现有一份权力的游戏剧本数据集如下:
df = pd.read_csv('../data/script.csv')
df.head(3)
Episode
的台词条数。df = pd.read_csv('../data/script.csv')
df.columns = df.columns.str.strip()
df.groupby(['Season', 'Episode'])['Sentence'].count().head()
df.set_index('Name').Sentence.str.split().str.len().groupby('Name').mean().sort_values(ascending=False).head()
s = pd.Series(df.Sentence.values, index=df.Name.shift(-1))
s.str.count('\?').groupby('Name').sum().sort_values(ascending=False).head()