python庫--pandas--Series.str--字符串處理

目錄

• 原數據
• 字符大小寫轉換
• 字符串拼接
• 字符填充/插入/擴展
• 字符串內容判斷
• 查找
• 統計
• 轉碼
• 刪減/截取
• 分割/替換

原數據

import pandas as pd
a = pd.Series(['aSd', 'asd', 'dfd fsAsf sfs'])
b = pd.Series([None, 'asd', 'fgh'])

index	a	b
0	aSd	None
1	asd	asd
2	dfd fsAsf sfs	fgh

字符大小寫轉換

a.str.lower()
a.str.upper()
a.str.title()
a.str.capitalize()
a.str.swapcase()

	lower	upper	title	capitalize	swapcase
0	asd	ASD	Asd	Asd	AsD
1	asd	ASD	Asd	Asd	ASD
2	dfd fsasf sfs	DFD FSASF SFS	Dfd Fsasf Sfs	Dfd fsasf sfs	DFD FSaSF SFS

字符串拼接

自身拼接

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

aSd,asd,dfd fsAsf sfs

與其它series拼接

a.str.cat(a)
a.str.cat(['aSd', 'asd', 'dfd fsAsf sfs'])
a + a

index	value
0	aSdaSd
1	asdasd
2	dfd fsAsf sfsdfd fsAsf sfs

a.str.cat(a, sep=',')
a.str.cat(['aSd', 'asd', 'dfd fsAsf sfs'], sep=',')
a + ',' + a

index	value
0	aSd,aSd
1	asd,asd
2	dfd fsAsf sfs,dfd fsAsf sfs

數據含有None/NaN的狀況

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

asd,fgh

# 將NaN替換爲指定字符串進行操做
a.str.cat(sep=',', na_rep='???')

???,asd,fgh

• 剩下的狀況除將NaN替換爲指定字符以外跟上述示例同樣, 這裏再也不進行演示

字符填充/插入/擴展

# 向兩端填充指定字符到指定長度
a.str.center(width=10, fillchar='?')
a.str.pad(width=10, side='both', fillchar='?')
# 在右側填充指定字符到指定長度
a.str.ljust(width=10, fillchar='?')
a.str.pad(width=10, side='right', fillchar='?')
# 在右側填充指定字符到指定長度
a.str.rjust(width=10, fillchar='?')
a.str.pad(width=10, side='left', fillchar='?')

	center	ljust	rjust
0	???aSd????	aSd???????	???????aSd
1	???asd????	asd???????	???????asd
2	dfd fsAsf sfs	dfd fsAsf sfs	dfd fsAsf sfs

# 每隔指定個字符插入一個換行符
a.str.wrap(width=2)
# 在字符串前面填充0到指定長度
a.str.zfill(width=10)
# 將字符串擴展n倍
a.str.repeat(repeats=2)
# 爲每個元素指定擴展倍數
a.str.repeat(repeats=[2, 2, 2])

	wrap	zfill	repeat
0	aS\nd	0000000aSd	aSdaSd
1	as\nd	0000000asd	asdasd
2	df\nd \nfs\nAs\nf \nsf\ns	dfd fsAsf sfs	dfd fsAsf sfsdfd fsAsf sfs

• join() 在字符間插入字符

a.str.join(sep='?')
# 等同於
a.map(lambda x: '?'.join(x))

• 所以也出現了一種特殊狀況, 元素不是字符串但可使用join方法
• 通過不徹底證實, '?'.join() 中支持的參數做爲Series的元素是均可使用此方法

pd.Series([['1', '2', '3']]).join('?')

字符串內容判斷

如下方法返回由True和False組成的Series

• contains(): 判斷指定字符串或正則表達式是否在序列或索引中

參數	說明
pat	字符串或正則表達式
case=True	是否區分大小寫
flags=0	可傳入re.IGNORECASE之類的參數
na=nan	缺失值填充
regex=True	是否使用正則表達式匹配

• endswith(): 判斷是否以給定的字符串結尾

參數	說明
pat	字符串
na=nan	缺失值填充

• match(): 判斷是否以給定的字符串開頭(支持正則)

參數	說明
pat	字符串或正則表達式
case=True	是否區分大小寫
flags=0	可傳入re.IGNORECASE之類的參數
na=nan	缺失值填充
as_indexer=None	棄用

方法	說明
.isalnum()	字符串至少包含一個字符且全部字符都是字母(漢字)或數字則返回True
.isalpha()	字符串至少包含一個字符且全部字符都是字母(漢字)則返回True
.isdigit()	只包含數字(能夠是: Unicode, 全角字符, bytes(b'1'), 羅馬數字)
.isspace()	只包含空白符
.islower()	至少包含一個小寫字符, 且不包含大寫字符
.isupper()	至少包含一個大寫字符, 且不包含小寫字符
.istitle()	全部單詞大寫開頭其他小寫(標題化)
.isnumeric()	只包含數字字符
.isdecimal()	只包含數字(Unicode字符, 全角字符)

查找

• extract(): 使用正則表達式提取須要的內容(只返回第一次匹配到的內容)
• extractall(): 使用正則表達式提取須要的內容(返回全部匹配到的內容

參數	說明
pat	正則表達式(必須含有捕獲組, 超過一個必然返回DataFrame) 若捕獲組設有name則將做爲返回的列標籤
flags=0	可傳入re.IGNORECASE之類的參數
expand=None	True: 返回DataFrame(將來版本默認值) False: 返回S/I/DataFrame(如今版本默認值) extractall() 方法無此參數

a.str.extract('([A-Z]+)')
a.str.extract('([A-Z]+)(s*)')

	([A-Z]+)	-	([A-Z]+)(s*)
0	S	-	S
1	NaN	-	NaN  NaN
2	A	-	A    s

a.str.extractall('(?P<field1>[sSdf]+)(?P<field2>[ds])')

		field1	field2	說明
	match
0	0	S	d	第1行第1個匹配結果
1	0	s	d	第2行第1個匹配結果
2	0	df	d	第3行第1個匹配結果
	1	f	s	第3行第2個匹配結果
	2	sf	s	第3行第3個匹配結果

• 檢索sub在字符串中的位置, 能夠指的那個開始檢索和結束檢索的位置
  1. find(): 檢索不到返回-1
  2. rfind(): 從右往左檢索, 檢索不到返回-1
  3. index(): 檢索不到觸發異常
  4. rindex(): 從右往左檢索, 檢索不到返回-1

a.str.find(sub='s')
# 從第6個字符開始查找到第10個字符結束查找
a.str.find(sub='s', start=6, end=10)

	(sub='s')	(sub='s', start=6, end=10)
0	-1	-1
1	1	-1
2	5	7

• findall(): 以列表形式返回正則表達式全部匹配結果

a.str.findall(pat='[sSdf]+')
a.map(lambda x: re.findall('[sSdf]+', x))

	結果
0	[Sd]
1	[sd]
2	[dfd, fs, sf, sfs]

• get(): 獲取指定位置的字符

a.str.get(i=1)

	結果
0	S
1	s
2	f

統計

• count() 統計指定字符串(支持正則)在序列字符串中出現的次數
• len() 返回序列字符串的長度

a.str.count(pat='s', flags=0)
a.str.len()

	count	len
0	0	3
1	1	3
2	4	13

轉碼

• encode(): 編碼str --> bytes
• decode(): 解碼bytes --> str

參數	說明
encoding	編碼方式
error='static'	static: 編碼/解碼失敗拋出異常

ignore: 編碼/解碼失敗自動忽略非法字符

replace: 編碼/解碼失敗則使用 ? 替代非法字符

xmlcharrefreplace: 則引用XML的字符.

c = pd.Series(['中文', '\ud83easd'])
c.str.encode('utf8', 'ignore')
c.str.encode('utf8', 'replace')
c.str.encode('utf8', 'xmlcharrefreplace')

	ignore	replace	xmlcharrefreplace	backslashreplace
1	b'asd'	b'?asd'	b'�asd'	b'\ud83easd'

# 中國: b'\xe4\xb8\xad\xe6\x96\x87'
d = pd.Series([b'\xe4\xb8\xad\xe6\x96'])
d.str.decode('utf8', 'ignore')

	ignore	replace	xmlcharrefreplace	backslashreplace
1	中	中�	NaN	中\xe6\x96

• normalize(): 返回字符串的Unicode標準格式

刪減/截取

• strip(to_strip=None): 刪除兩側指定字符, 默認刪除空白符
• lstrip(to_strip=None): 刪除左側指定字符, 默認刪除空白符
• rstrip(to_strip=None): 刪除右側指定字符, 默認刪除空白符
• slice() 截取子字符串

參數	說明
start=None	開始位置
stop=None	結束位置
step=None	步長

分割/替換

• split() 使用指定字符分割字符串, 支持正則
• rsplit() 從右側開始分割

參數	說明
pat=None	分隔符, 默認空白符
n=-1	分割次數, 默認所有
expand=False	True: 返回DataFrame/MultiINdex False: 返回Series/Index

• get_dummies(): 對字符串分割, 並返回每一個分割結果出現的次數

>>> pd.Series(['a|b', 'a', 'a|c']).str.get_dummies()
   a  b  c
0  1  1  0
1  1  0  0
2  1  0  1
>>> pd.Series(['a|b', np.nan, 'a|c']).str.get_dummies()
   a  b  c
0  1  1  0
1  0  0  0
2  1  0  1

• partition(pat='', expand=True): 第一次出現pat時將字符串分割爲三個部分: pat前面的部分, pat自己, pat後面的部分
• rpartition(): 從右往左檢測pat字符串

更新字符串

• replace(): 更新字符串

參數	說明
pat	字符串或編譯的正則表達式
repl	str: 將匹配到的字符串替換爲此字符串 fun: 傳給fun的是對象至關於re.search(pat, string)的返回值
n=-1	替換的次數, 默認所有
case=None	是否區分大小寫, 若是pat爲字符串則默認爲True, 若爲編譯的正則表達式則不能設置
flags=0	可傳入re.IGNORECASE之類的參數, 但若pat爲編譯的正則表達式則不能設置

• slice_replace(): 將選中的部分替換爲指定字符串

參數	說明
start=None	開始位置
stop=None	結束位置
repl=None	要替換爲的字符串

• translate(): 字符替換
  1. dict: {ord('a'): 'x'} 或 {ord('a'): ord('x')} key必須是ascii碼, value能夠是字符串或ASCII碼
  2. str.maketrans('a','x') 等同於 {97: 120}