第7章 文本數據
import pandas as pd
import numpy as np
一、string類型的性質
1. string與object的區別
string類型和object不同之處有三：
① 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
② 某些Series方法不能在string上使用，例如： Series.str.decode()，因爲存儲的是字符串而不是字節
③ string類型在缺失值存儲或運算時，類型會廣播爲pd.NA，而不是浮點型np.nan
其餘全部內容在當前版本下完全一致，但迎合Pandas的發展模式，我們仍然全部用string來操作字符串
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：
當下正確的方法是分兩部轉換，先轉爲str型object，在轉爲string類型：
pd.Series([1,'1.']).astype('str').astype('string')
0 1
1 1.
dtype: string
pd.Series([1,2]).astype('str').astype('string')
0 1
1 2
dtype: string
pd.Series([True,False]).astype('str').astype('string')
0 True
1 False
dtype: string
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
0 a_b_c
1 c_d_e
2 <NA>
3 f_g_h
dtype: string
根據某一個元素分割，默認爲空格
s.str.split('_')
0 [a, b, c]
1 [c, d, e]
2 <NA>
3 [f, g, h]
dtype: object
這裏需要注意split後的類型是object，因爲現在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
對於str方法可以進行元素的選擇，如果該單元格元素是列表，那麼str[i]表示取出第i個元素，如果是單個元素，則先把元素轉爲列表在取出
s.str.split('_').str[1]
0 b
1 d
2 <NA>
3 g
dtype: object
pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1]
0 _
1 b
dtype: object
（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
s.str.split('_',expand=True)
|
0 |
1 |
2 |
| 0 |
a |
b |
c |
| 1 |
c |
d |
e |
| 2 |
<NA> |
<NA> |
<NA> |
| 3 |
f |
g |
h |
s.str.split('_',n=1)
0 [a, b_c]
1 [c, d_e]
2 <NA>
3 [f, g_h]
dtype: object
s.str.split('_',expand=True,n=1)
|
0 |
1 |
| 0 |
a |
b_c |
| 1 |
c |
d_e |
| 2 |
<NA> |
<NA> |
| 3 |
f |
g_h |
2. str.cat方法
（a）不同對象的拼接模式
cat方法對於不同對象的作用結果並不相同，其中的對象包括：單列、雙列、多列
① 對於單個Series而言，就是指所有的元素進行字符合併爲一個字符串
s = pd.Series(['ab',None,'d'],dtype='string')
s
0 ab
1 <NA>
2 d
dtype: string
s.str.cat()
'abd'
其中可選sep分隔符參數，和缺失值替代字符na_rep參數
s.str.cat(sep=',')
'ab,d'
s.str.cat(sep=',',na_rep='*')
'ab,*,d'
② 對於兩個Series合併而言，是對應索引的元素進行合併
s2 = pd.Series(['24',None,None],dtype='string')
s2
0 24
1 <NA>
2 <NA>
dtype: string
s.str.cat(s2)
0 ab24
1 <NA>
2 <NA>
dtype: string
同樣也有相應參數，需要注意的是兩個缺失值會被同時替換
s.str.cat(s2,sep=',',na_rep='*')
0 ab,24
1 *,*
2 d,*
dtype: string
③ 多列拼接可以分爲表的拼接和多Series拼接
表的拼接
s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')
0 ab15
1 *3b
2 d5*
dtype: string
多個Series拼接
s.str.cat([s+'0',s*2])
0 abab0abab
1 <NA>
2 dd0dd
dtype: string
（b）cat中的索引對齊
當前版本中，如果兩邊合併的索引不相同且未指定join參數，默認爲左連接，設置join=‘left’
s2 = pd.Series(list('abc'),index=[1,2,3],dtype='string')
s2
1 a
2 b
3 c
dtype: string
s.str.cat(s2,na_rep='*')
0 ab*
1 *a
2 db
dtype: string
三、替換
廣義上的替換，就是指str.replace函數的應用，fillna是針對缺失值的替換，上一章已經提及
提到替換，就不可避免地接觸到正則表達式，這裏默認讀者已掌握常見正則表達式知識點，若對其還不瞭解的，可以通過這份資料來熟悉
1. str.replace的常見用法
s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 'CABA', 'dog', 'cat'],dtype="string")
s
0 A
1 B
2 C
3 Aaba
4 Baca
5
6 <NA>
7 CABA
8 dog
9 cat
dtype: string
第一個值寫r開頭的正則表達式，後一個寫替換的字符串
s.str.replace(r'^[AB]','***')
0 ***
1 ***
2 C
3 ***aba
4 ***aca
5
6 <NA>
7 CABA
8 dog
9 cat
dtype: string
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開始纔是子組）
s.str.replace(r'([ABC])(\w+)',lambda x:x.group(2)[1:]+'*')
0 A
1 B
2 C
3 ba*
4 ca*
5
6 <NA>
7 BA*
8 dog
9 cat
dtype: string
利用?P<…>表達式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:]+'*')
0 A
1 B
2 C
3 ba*
4 ca*
5
6 <NA>
7 BA*
8 dog
9 cat
dtype: string
3. 關於str.replace的注意事項
首先，要明確str.replace和replace並不是一個東西：
str.replace針對的是object類型或string類型，默認是以正則表達式爲操作，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
但現在由於string類型的初步引入，用法上出現了一些問題，這些issue有望在以後的版本中修復
（a）str.replace賦值參數不得爲pd.NA
這聽上去非常不合理，例如對滿足某些正則條件的字符串替換爲缺失值，直接更改爲缺失值在當下版本就會報錯
此時，可以先轉爲object類型再轉換回來，曲線救國：
pd.Series(['A','B'],dtype='string').astype('O').replace(r'[A]',pd.NA,regex=True).astype('string')
0 <NA>
1 B
dtype: string
至於爲什麼不用replace函數的regex替換（但string類型replace的非正則替換是可以的），原因在下面一條
（b）對於string類型Series，在使用replace函數時不能使用正則表達式替換
該bug現在還未修復
pd.Series(['A','B'],dtype='string').replace(r'[A]','C',regex=True)
0 A
1 B
dtype: string
pd.Series(['A','B'],dtype='O').replace(r'[A]','C',regex=True)
0 C
1 B
dtype: object
（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')
0 B
1 <NA>
dtype: string
綜上，概況的說，除非需要賦值元素爲缺失值（轉爲object再轉回來），否則請使用str.replace方法
四、子串匹配與提取
1. str.extract方法
（a）常見用法
pd.Series(['10-87', '10-88', '10-89'],dtype="string").str.extract(r'([\d]{2})-([\d]{2})')
|
0 |
1 |
| 0 |
10 |
87 |
| 1 |
10 |
88 |
| 2 |
10 |
89 |
使用子組名作爲列名
pd.Series(['10-87', '10-88', '-89'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})')
|
name_1 |
name_2 |
| 0 |
10 |
87 |
| 1 |
10 |
88 |
| 2 |
<NA> |
<NA> |
利用?正則標記選擇部分提取
pd.Series(['10-87', '10-88', '-89'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})?-(?P<name_2>[\d]{2})')
|
name_1 |
name_2 |
| 0 |
10 |
87 |
| 1 |
10 |
88 |
| 2 |
<NA> |
89 |
pd.Series(['10-87', '10-88', '10-'],dtype="string").str.extract(r'(?P<name_1>[\d]{2})-(?P<name_2>[\d]{2})?')
|
name_1 |
name_2 |
| 0 |
10 |
87 |
| 1 |
10 |
88 |
| 2 |
10 |
<NA> |
（b）expand參數（默認爲True）
對於一個子組的Series，如果expand設置爲False，則返回Series，若大於一個子組，則expand參數無效，全部返回DataFrame
對於一個子組的Index，如果expand設置爲False，則返回提取後的Index，若大於一個子組且expand爲False，報錯
s = pd.Series(["a1", "b2", "c3"], ["A11", "B22", "C33"], dtype="string")
s.index
Index(['A11', 'B22', 'C33'], dtype='object')
s.str.extract(r'([\w])')
s.str.extract(r'([\w])',expand=False)
A11 a
B22 b
C33 c
dtype: string
s.index.str.extract(r'([\w])')
s.index.str.extract(r'([\w])',expand=False)
Index(['A', 'B', 'C'], dtype='object')
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，並建立多級索引（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)
|
letter |
digit |
| A |
a |
1 |
| B |
b |
1 |
| C |
c |
1 |
s.str.extractall(two_groups)
|
|
letter |
digit |
|
match |
|
|
| A |
0 |
a |
1 |
| 1 |
a |
2 |
| B |
0 |
b |
1 |
| C |
0 |
c |
1 |
s['A']='a1'
s.str.extractall(two_groups)
|
|
letter |
digit |
|
match |
|
|
| A |
0 |
a |
1 |
| B |
0 |
b |
1 |
| C |
0 |
c |
1 |
如果想查看第i層匹配，可使用xs方法
s = pd.Series(["a1a2", "b1b2", "c1c2"], index=["A", "B", "C"],dtype="string")
s.str.extractall(two_groups).xs(1,level='match')
|
letter |
digit |
| A |
a |
2 |
| B |
b |
2 |
| C |
c |
2 |
3. str.contains和str.match
前者的作用爲檢測是否包含某種正則模式
pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains(r'[0-9][a-z]')
0 False
1 <NA>
2 True
3 True
4 True
dtype: boolean
可選參數爲na
pd.Series(['1', None, '3a', '3b', '03c'], dtype="string").str.contains('a', na=False)
0 False
1 False
2 True
3 False
4 False
dtype: boolean
str.match與其區別在於，match依賴於python的re.match，檢測內容爲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)
0 False
1 False
2 True
3 True
4 False
dtype: boolean
pd.Series(['1', None, '_3a', '3b', '03c'], dtype="string").str.match(r'[0-9][a-z]',na=False)
0 False
1 False
2 False
3 True
4 False
dtype: boolean
五、常用字符串方法
1. 過濾型方法
（a）str.strip
常用於過濾空格
pd.Series(list('abc'),index=[' space1 ','space2 ',' space3'],dtype="string").index.str.strip()
Index(['space1', 'space2', 'space3'], dtype='object')
（b）str.lower和str.upper
pd.Series('A',dtype="string").str.lower()
0 a
dtype: string
pd.Series('a',dtype="string").str.upper()
0 A
dtype: string
（c）str.swapcase和str.capitalize
分別表示交換字母大小寫和大寫首字母
pd.Series('abCD',dtype="string").str.swapcase()
0 ABcd
dtype: string
pd.Series('abCD',dtype="string").str.capitalize()
0 Abcd
dtype: string
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？（問題二）
pd.Series(['1.2','1','-0.3','a',np.nan],dtype="string").str.isnumeric()
0 False
1 True
2 False
3 False
4 <NA>
dtype: boolean
六、問題與練習
1. 問題
【問題一】 str對象方法和df/Series對象方法有什麼區別？
【問題二】 給出一列string類型，如何判斷單元格是否是數值型數據？
【問題三】 rsplit方法的作用是什麼？它在什麼場合下適用？
【問題四】 在本章的第二到第四節分別介紹了字符串類型的5類操作，請思考它們各自應用於什麼場景？
2. 練習
【練習一】 現有一份關於字符串的數據集，請解決以下問題：
（a）現對字符串編碼存儲人員信息（在編號後添加ID列），使用如下格式：“×××（名字）：×國人，性別×，生於×年×月×日”
（b）將（a）中的人員生日信息部分修改爲用中文表示（如一九七四年十月二十三日），其餘返回格式不變。
（c）將（b）中的ID列結果拆分爲原列表相應的5列，並使用equals檢驗是否一致。
pd.read_csv('data/String_data_one.csv',index_col='人員編號').head()
|
姓名 |
國籍 |
性別 |
出生年 |
出生月 |
出生日 |
| 人員編號 |
|
|
|
|
|
|
| 1 |
aesfd |
2 |
男 |
1942 |
8 |
10 |
| 2 |
fasefa |
5 |
女 |
1985 |
10 |
4 |
| 3 |
aeagd |
4 |
女 |
1946 |
10 |
15 |
| 4 |
aef |
4 |
男 |
1999 |
5 |
13 |
| 5 |
eaf |
1 |
女 |
2010 |
6 |
24 |
【練習二】 現有一份半虛擬的數據集，第一列包含了新型冠狀病毒的一些新聞標題，請解決以下問題：
（a）選出所有關於北京市和上海市新聞標題的所在行。
（b）求col2的均值。
（c）求col3的均值。
pd.read_csv('data/String_data_two.csv').head()
|
col1 |
col2 |
col3 |
| 0 |
鄂爾多斯市第2例確診患者治癒出院 |
19 |
363.6923 |
| 1 |
雲南新增2例，累計124例 |
-67 |
-152.281 |
| 2 |
武漢協和醫院14名感染醫護出院 |
-86 |
325.6221 |
| 3 |
山東新增9例，累計307例 |
-74 |
-204.9313 |
| 4 |
上海開學日期延至3月 |
-95 |
4.05 |
