系统重温Pandas笔记：（八）文本数据

文章目录

写在前面
一、str对象
- 1. str对象的设计意图
- 2. []索引器
- 3. string类型
二、正则表达式基础
- 1. 一般字符的匹配
- 3. 简写字符集
三、文本处理的五类操作
- 1. 拆分
- 2. 合并
- 3. 匹配
- 4. 替换
- 5. 提取
四、常用字符串函数
- 1. 字母型函数
- 2. 数值型函数
- 3. 统计型函数
- 4. 格式型函数
五、练习
- Ex1：房屋信息数据集
- Ex2：《权力的游戏》剧本数据集

写在前面

本文内容源自Datawhale 组队学习教程，并结合了部分自己的笔记和感悟。对Datawhale感兴趣且想进一步了解：https://github.com/datawhalechina/joyful-pandas

一、str对象

1. str对象的设计意图

str对象是定义在Index或Series上的属性，专门用于逐元素处理文本内容，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。
e.g.

s = pd.Series(['abcd', 'efg', 'hi'])
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。

2. []索引器

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，也能通过切片得到子串。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]
0    a
1    e
2    h
dtype: objects.str[-1: 0: -2]
0    db
1     g
2     i
dtype: objects.str[2]
0      c
1      g
2    NaN
dtype: object

3. string类型

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，具有自己的数据存放类型，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]
0    temp_1
1         b
2       NaN
3         y
dtype: objects.astype('string').str[1]
0    1
1    '
2    .
3    y
dtype: string

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：
1.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。
2.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()
0    1
dtype: int64s.astype('string').str.len()
0    1
dtype: Int64s == 'a'
0    True
dtype: bools.astype('string') == 'a'
0    True
dtype: booleans = pd.Series(['a', np.nan]) # 带有缺失值
s.str.len()
0    1.0
1    NaN
dtype: float64s.astype('string').str.len()
0       1
1    <NA>
dtype: Int64s == 'a'
0     True
1    False
dtype: bools.astype('string') == 'a'
0    True
1    <NA>
dtype: boolean

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]0    2
1    4
2    7
dtype: string

二、正则表达式基础

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。

1. 一般字符的匹配

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('Apple', 'Apple! This Is an Apple!')['Apple', 'Apple']

元字符	描述
.	匹配除换行符以外的任意字符
[ ]	字符类，匹配方括号中包含的任意字符
[^ ]	否定字符类，匹配方括号中不包含的任意字符
*	匹配前面的子表达式零次或多次
+	匹配前面的子表达式一次或多次
?	匹配前面的子表达式零次或一次
{n,m}	花括号，匹配前面字符至少 n 次，但是不超过 m 次
(xyz)	字符组，按照确切的顺序匹配字符xyz
\|	分支结构，匹配符号之前的字符或后面的字符
\	转义符，它可以还原元字符原来的含义
^	匹配行的开始
$	匹配行的结束

re.findall('.', 'abc')
['a', 'b', 'c']re.findall('[ac]', 'abc')
['a', 'c']re.findall('[^ac]', 'abc')
['b']re.findall('[ab]{2}', 'aaaabbbb') # {n}指匹配n次
['aa', 'aa', 'bb', 'bb']re.findall('aaa|bbb', 'aaaabbbb')
['aaa', 'bbb']re.findall('a\\?|a\*', 'aa?a*a')
['a?', 'a*']
re.findall('a?.', 'abaacadaae') #.就表示要匹配一个字符,a？表示可以有个a也可以没有a
['ab', 'aa', 'c', 'ad', 'aa', 'e']

3. 简写字符集

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('.s', 'Apple! This Is an Apple!')
['is', 'Is']re.findall('\w{2}', '09 8? 7w c_ 9q p@')
['09', '7w', 'c_', '9q']re.findall('\w\W\B', '09 8? 7w c_ 9q p@')
['8?', 'p@']re.findall('.\s.', 'Constant dropping wears the stone.')
['t d', 'g w', 's t', 'e s']re.findall('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')
[('黄浦区', '方浜中路', '249号'), ('宝山区', '密山路', '5号')]

三、文本处理的五类操作

1. 拆分

str.split能够把字符串的列进行拆分:

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]')0    [上海, 黄浦, 方浜中, 249号]
1       [上海, 宝山, 密山, 5号]
dtype: object

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。

2. 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，如果列表中出现了字符串元素则返回缺失值：

s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
s.str.join('-')0    a-b
1    NaN
2    NaN
dtype: object

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='-')
0    a-cat
1    b-dog
dtype: objects2.index = [1, 2]
s1.str.cat(s2, sep='-', na_rep='?', join='outer')
0      a-?
1    b-cat
2    ?-dog
dtype: object

3. 匹配

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')0     True
1     True
2    False
dtype: bool

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')
0     True
1    False
2    False
dtype: bools.str.endswith('t')
0     True
1     True
2    False
dtype: bool

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')
0     True
1     True
2    False
dtype: bools.str[::-1].str.match('ta[f|g]|n') # 反转后匹配
0    False
1     True
2     True
dtype: bool

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]')
0     True
1     True
2    False
dtype: bools.str.contains('[f|g]at|n$')
0    False
1     True
2     True
dtype: bool

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')
0    11
dtype: int64s.str.rfind('apple')
0    33
dtype: int64

4. 替换

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')0    a_new_b
1      c_new
dtype: object

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）。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。

5. 提取

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)my_A    [(135, 15), (26, 5)]
my_B     [(674, 2), (25, 6)]
dtype: object

四、常用字符串函数

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：

1. 字母型函数

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()
0                 LOWER
1              CAPITALS
2    THIS IS A SENTENCE
3              SWAPCASE
dtype: objects.str.lower()
0                 lower
1              capitals
2    this is a sentence
3              swapcase
dtype: objects.str.title()
0                 Lower
1              Capitals
2    This Is A Sentence
3              Swapcase
dtype: objects.str.capitalize()
0                 Lower
1              Capitals
2    This is a sentence
3              Swapcase
dtype: objects.str.swapcase() #它将字符串中的英文字母大小写互换，并返回修改后的字符串。
0                 LOWER
1              capitals
2    THIS IS A SENTENCE
3              sWaPcAsE
dtype: object

2. 数值型函数

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')
0       1
1     2.2
2      2e
3      ??
4    -2.1
5       0
dtype: objectpd.to_numeric(s, errors='coerce')
0    1.0
1    2.2
2    NaN
3    NaN
4   -2.1
5    0.0
dtype: float64

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()]2    2e
3    ??
dtype: object

3. 统计型函数

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')
0    2
1    2
dtype: int64s.str.len()
0    14
1    19
dtype: int64

4. 格式型函数

格式型函数主要分为两类，第一种是除空型，第二种时填充型。

除空型函数一共有三种，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()
Int64Index([4, 4, 4], dtype='int64')my_index.str.rstrip().str.len()
Int64Index([5, 4, 5], dtype='int64')my_index.str.lstrip().str.len()
Int64Index([4, 5, 5], dtype='int64')

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','*')
0    ****a
1    ****b
2    ****c
dtype: objects.str.pad(5,'right','*')
0    a****
1    b****
2    c****
dtype: objects.str.pad(5,'both','*')
0    **a**
1    **b**
2    **c**
dtype: objects.str.pad(6,'both','*') #两边不对称
0    **a***
1    **b***
2    **c***
dtype: object

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, '*')
0    ****a
1    ****b
2    ****c
dtype: objects.str.ljust(5, '*')
0    a****
1    b****
2    c****
dtype: objects.str.center(5, '*')
0    **a**
1    **b**
2    **c**
dtype: object

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')
0    000007
1    000155
2    303000
dtype: strings.str.rjust(6,'0')
0    000007
1    000155
2    303000
dtype: strings.str.zfill(6) #直接在前面补0
0    000007
1    000155
2    303000
dtype: string

五、练习

Ex1：房屋信息数据集

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)

1.将year列改为整数年份存储。
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。
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。

1.将year列改为整数年份存储。
解：

df.year = pd.to_numeric(df.year.str[:4]).astype('Int64')
df.head()

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。
解：
先从floor列里提取出层类别和层数：

pat = '(\w层)（共(\d+)层）'
new_cols = df.floor.str.extract(pat).rename(columns={0:'Level', 1:'Highest'})
new_cols

最后将提取出来的两列信息与原df进行拼接，并删去floor列：

df = pd.concat([df.drop(columns=['floor']), new_cols], 1)
df.head()

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。
解：
使用pd.to_numeric方法提取出价格和面积信息：

s_area = pd.to_numeric(df.area.str[:-1])
s_price = pd.to_numeric(df.price.str[:-1])

计算均价，并换算单位（万元换算为元），并转化为string类型，与“元/平米”相连：

df['avg_price'] = ((s_price/s_area)*10000).astype('int').astype('string') + '元/平米'
df.head()

Ex2：《权力的游戏》剧本数据集

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)

1.计算每一个Episode的台词条数。
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。
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nnn个问号，则认为回答者回答了nnn个问题，请求出回答最多问题的前五个人。

1.计算每一个Episode的台词条数。
解：
首先看一下列名，发现有列名包含多余的空格，如’ Season’和 'Episode '：

df.columnsIndex(['Release Date', ' Season', 'Episode ', 'Episode Title', 'Name','Sentence'],dtype='object')

所以首先对列名使用除空型函数，去除两侧空格：

df.columns = df.columns.str.strip()
df.columns
Index(['Release Date', 'Season', 'Episode', 'Episode Title', 'Name','Sentence'],dtype='object')

最后进行分组统计每一个Episode的台词条数：

df.groupby(['Season', 'Episode'])['Sentence'].count()Season    Episode
Season 1  Episode 1     327Episode 10    266Episode 2     283Episode 3     353Episode 4     404...
Season 8  Episode 2     405Episode 3     155Episode 4      51Episode 5     308Episode 6     240
Name: Sentence, Length: 73, dtype: int64

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。
解：
首先把姓名作为索引：

df1 = df.set_index('Name')
df1

然后以空格为单词的分割符号：

df1 = df1.Sentence.str.split()
df1Name
waymar royce        [What, do, you, expect?, They're, savages., On...
will                [I've, never, seen, wildlings, do, a, thing, l...
waymar royce                             [How, close, did, you, get?]
will                                    [Close, as, any, man, would.]
gared                        [We, should, head, back, to, the, wall.]...
brienne             [I, think, we, can, all, agree, that, ships, t...
bronn               [I, think, that's, a, very, presumptuous, stat...
tyrion lannister    [I, once, brought, a, jackass, and, a, honeyco...
man                                     [The, Queen, in, the, North!]
all                 [The, Queen, in, the, North!, The, Queen, in, ...
Name: Sentence, Length: 23911, dtype: object

计算单句单词的数量：

df2 = df1.str.len()
df2Name
waymar royce        25
will                21
waymar royce         5
will                 5
gared                7..
brienne             12
bronn                7
tyrion lannister    11
man                  5
all                 25
Name: Sentence, Length: 23911, dtype: int64

按照人名分组统计单句台词平均单词量，并从大到小排序：

df2.groupby('Name').mean().sort_values(ascending=False).head()
Name
male singer          109.000000
slave owner           77.000000
manderly              62.000000
lollys stokeworth     62.000000
dothraki matron       56.666667
Name: Sentence, dtype: float64

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nnn个问号，则认为回答者回答了nnn个问题，请求出回答最多问题的前五个人。
解：
首先先把台词和人名信息提出来，由于求的是回答的人，所以上一句台词对应的是下一个人，于是用shift滑窗函数把人名向后取一位：

s = pd.Series(df.Sentence.values, index=df.Name.shift(-1))
sName
will                What do you expect? They're savages. One lot s...
waymar royce        I've never seen wildlings do a thing like this...
will                                           How close did you get?
gared                                         Close as any man would.
royce                                We should head back to the wall....
bronn               I think we can all agree that ships take prece...
tyrion lannister        I think that's a very presumptuous statement.
man                 I once brought a jackass and a honeycomb into ...
all                                           The Queen in the North!
NaN                 The Queen in the North! The Queen in the North...
Length: 23911, dtype: object

然后统计台词中问号的个数，并将结果按照人名分组后求和，得到每个人回答的问题数，并从大到小排序：

s.str.count('\?').groupby('Name').sum().sort_values(ascending=False).head()Name
tyrion lannister    527
jon snow            374
jaime lannister     283
arya stark          265
cersei lannister    246
dtype: int64