文章目录

  • 第八章 文本数据
    • 8.1 str对象
      • 8.1.1 str对象的设计意图
      • 8.1.3 string类型
    • 8.2 正则表达式基础
      • 8.2.1 . 一般字符的匹配
      • 8.2.2 元字符基础
      • 8.2.3 简写字符集
    • 8.3 文本处理的五类操作
      • 8.3.1 `str.split `拆分
      • 8.3.2 `str.join` 或 `str.cat `合并
      • 8.3.3 匹配
      • 8.3.5 提取
    • 8.4、常用字符串函数
      • 8.4.1 字母型函数
      • 8.4.2 数值型函数
      • 8.4.3 统计型函数
      • 8.4.4 格式型函数
    • 8.5 练习
      • Ex1：房屋信息数据集
      • Ex2：《权力的游戏》剧本数据集
  • 第九章 分类数据
    • 9.1 cat对象
      • 9.1.1 cat对象的属性
      • 9.1.2 类别的增加、删除和修改
    • 9.2 有序分类
      • 9.2.1 序的建立
      • 9.2.2 排序和比较
    • 9.3 区间类别
      • 9.3.1 利用cut和qcut进行区间构造
      • 9.3.2 一般区间的构造
      • 9.3.3 区间的属性与方法
    • 9.4 练习
      • Ex1： 统计未出现的类别
      • Ex2： 钻石数据集
  • 第十章 时序数据
    • 10.1 时序中的基本对象
    • 10.2 时间戳
      • 10.2.1 Timestamp的构造与属性
      • 10.2.2 Datetime序列的生成
      • 10.2.3 dt对象
      • 10.2.4 时间戳的切片与索引
    • 10.3 时间差
      • 10.3.1 Timedelta的生成
      • 10.2.2 Timedelta的运算
    • 10.4 日期偏置
      • 10.4.1 Offset对象
      • 10.4.2 偏置字符串
    • 10.5、时序中的滑窗与分组
      • 10.5.1 滑动窗口
      • 10.5.2 重采样
    • 10.6 练习
      • Ex1：太阳辐射数据集
      • Ex2：水果销量数据集

  课程资料《pandas数据处理与分析》、github地址、讲解视频、习题参考答案 、pandas官网
传送门：

  • datawhale8月组队学习《pandas数据处理与分析》（上）（基础、索引、分组）
  • datawhale8月组队学习《pandas数据处理与分析》（中）（变形、连接、缺失数据）

第八章 文本数据

8.1 str对象

8.1.1 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，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，例如字母转为大写的操作：

var = 'abcd'
str.upper(var) # Python内置str模块
Out[4]: 'ABCD's = pd.Series(['abcd', 'efg', 'hi'])s.str
Out[6]: <pandas.core.strings.accessor.StringMethods at 0x2b796892d60>s.str.upper() # pandas中str对象上的upper方法
Out[7]:
0    ABCD
1     EFG
2      HI
dtype: object

8.1.2 []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，同时也能通过切片得到子串。
  pandas中过对 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]
Out[10]:
0    a
1    e
2    h
dtype: objects.str[-1: 0: -2]
Out[11]:
0    db
1     g
2     i
dtype: objects.str[2]
Out[12]:
0      c
1      g
2    NaN
dtype: object

import numpy as np
import pandas as pds = pd.Series(['abcd', 'efg', 'hi'])
s.str[0]

0    a
1    e
2    h
dtype: object

8.1.3 string类型

  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：

  1. 二者对于某些对象的 str 序列化方法不同。
    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 类型和 object 类型对它们的序列化方式不同，序列化后str对象返回结果也可能不同。例如：
s = pd.Series([{1: 'temp_1', 2: 'temp_2'}, ['a', 'b'], 0.5, 'my_string'])
s

0    {1: 'temp_1', 2: 'temp_2'}
1                        [a, b]
2                           0.5
3                     my_string
dtype: object

s.str[1] # 对每个元素取[1]的操作

0    temp_1
1         b
2       NaN
3         y
dtype: object

s.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：

  • 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。
  • 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。
  1. 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 ，不过这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()
Out[17]:
0    1
dtype: int64s.astype('string').str.len()
Out[18]:
0    1
dtype: Int64s == 'a'
Out[19]:
0    True
dtype: bools.astype('string') == 'a'
Out[20]:
0    True
dtype: booleans = pd.Series(['a', np.nan]) # 带有缺失值s.str.len()
Out[22]:
0    1.0
1    NaN
dtype: float64s.astype('string').str.len()
Out[23]:
0       1
1    <NA>
dtype: Int64s == 'a'
Out[24]:
0     True
1    False
dtype: bools.astype('string') == 'a'
Out[25]:
0    True
1    <NA>
dtype: boolean

  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]
Out[27]:
0    2
1    4
2    7
dtype: string

8.2 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《Python3 正则表达式》，或者《 正则表达式必知必会 》这本书

8.2.1 . 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 rere.findall(r'Apple', 'Apple! This Is an Apple!') # 字符串从左到右依次匹配
Out[29]: ['Apple', 'Apple']

8.2.2 元字符基础

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。比如r’d+'就是匹配数字串，r’d’就是匹配单个数字
? 匹配前面的子表达式零次或一次，非贪婪方式
{n,m} 花括号，匹配 n 到 m 次由前面的正则表达式定义的片段，贪婪方式
(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 
import re
re.findall(r'.', 'abc')
Out[30]: ['a', 'b', 'c']re.findall(r'[ac]', 'abc') # []中有的子串都匹配
Out[31]: ['a', 'c']re.findall(r'[^ac]', 'abc')
Out[32]: ['b']re.findall(r'[ab]{2}', 'aaaabbbb') # {n}指匹配n次
Out[33]: ['aa', 'aa', 'bb', 'bb']re.findall(r'aaa|bbc|ca', 'aacabbcbbc') # 匹配前面的或者后面的字符串
Out[34]: ['ca', 'bbc', 'bbc']# 上面的元字符都有特殊含义，要匹配其本来的意思就得用\进行转义。
"""
1. ？匹配的是前一个字符，即被转义的\，所以|前面的内容就是匹配a\或者a，但是结果里面没有a\，相当于只能匹配a。
2. |右边是a\*，转义之后匹配a*，对于竖线而言左边优先级高于右边
3. 然后看目标字符串aa?a*a，第一个a匹配左边，第二个a匹配左边，第三个a虽然后面有*，
但是左边优先级高， 还是匹配左边，剩下一个a还是左边，所以结果是四个a
"""re.findall(r'a\\?|a\*', 'aa?a*a')   # 第二次先匹配到a，就不会匹配a？。a*同理。
Out[35]: ['a', 'a', 'a', 'a']# 这里匹配不到是因为目标串'aa\a*a'中，\a是python的转义字符(\a\b\t\n等），所以匹配不到。
# 如果是'aa\s*a'之内非python的转义字符，或者'aa\\s*a'，或者r'aa\\s*a'就可以匹配到\字符。
re.findall(r'\\', 'aa\a*a')
[]re.findall(r'a?.', 'abaacadaae')
Out[36]: ['ab', 'aa', 'c', 'ad', 'aa', 'e']re.findall(r'(\w+)=(\d+)', 'set width=20 and height=10') # 多个匹配模式，返回元组列表
[('width', '20'), ('height', '10')]

8.2.3 简写字符集

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 匹配非单词边界。‘er\B’ 能匹配 “verb” 中的 ‘er’，但不能匹配 “never” 中的 ‘er’。 
re.findall(r'.s', 'Apple! This Is an Apple!')
Out[37]: ['is', 'Is']re.findall(r'\w{2}', '09 8? 7w c_ 9q p@') # 匹配任意数字字母下划线的组合，但必须是两次
Out[38]: ['09', '7w', 'c_', '9q']re.findall(r'\w\W\B', '09 8? 7w c_ 9q p@') # 匹配的是两个字符串，前一个是任意数字字母下划线（\W），后一个不是(\W)
Out[39]: ['8?', 'p@']re.findall(r'.\s.', 'Constant dropping wears the stone.')
Out[40]: ['t d', 'g w', 's t', 'e s']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')Out[41]: [('黄浦区', '方浜中路', '249号'), ('宝山区', '密山路', '5号')]

8.3 文本处理的五类操作

8.3.1 str.split 拆分

  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]') # 每条结果为一行，相当于Series
Out[43]:
0    [上海, 黄浦, 方浜中, 249号]
1       [上海, 宝山, 密山, 5号]
dtype: objects.str.split('[市区路]', n=2, expand=True) # 结果分成多个列展示，结果相当于DataFrame
Out[44]: 0   1         2
0  上海  黄浦  方浜中路249号
1  上海  宝山     密山路5号

  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)
Out[45]: 0
0  上海市黄浦区方浜中路249号
1     上海市宝山区密山路5号

8.3.2 str.join 或 str.cat 合并

  • 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。
  • str.cat 用于合并两个序列，主要参数为：
    • sep：连接符、
    • join：连接形式默认为以索引为键的左连接
    • na_rep：缺失值替代符号
s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
s.str.join('-')
Out[47]:
0    a-b
1    NaN
2    NaN
dtype: object

s1 = pd.Series(['a','b'])
s2 = pd.Series(['cat','dog'])
s1.str.cat(s2,sep='-')
Out[50]:
0    a-cat
1    b-dog
dtype: objects2.index = [1, 2]
s1.str.cat(s2, sep='-', na_rep='?', join='outer')
Out[52]:
0      a-?
1    b-cat
2    ?-dog
dtype: object

8.3.3 匹配

  1. 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
  1. 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: bool

s.str.endswith('t')0     True
1     True
2    False
dtype: bool
  1. str.match可以用正则表达式来检测开始或结束字符串的模式，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。当然，这些也能通过在str.contains的正则中使用^和$来实现。（貌似没有python里的search方法）
s.str.match('m|h')
s.str.contains('^[m|h]') # 二者等价0     True
1     True
2    False
dtype: bool

s.str[::-1].str.match('ta[f|g]|n') # 反转后匹配
s.str.contains('[f|g]at|n$')       # 二者等价0    False
1     True
2     True
dtype: bool
  1. str.find与str.rfind返回索引的匹配函数，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')
Out[62]:
0    11
dtype: int64s.str.rfind('apple')
Out[63]:
0    33
dtype: int64
  1. 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_?'])
# regex默认为True，表示是正则模式，否则第一个参数内容表示是单纯的字符串，也就是匹配字符串\d|\?
s.str.replace('\d|\?', 'new', regex=True) 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）：

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)

0    Shanghai HP District Mid Fangbin Road No. 249
1           Shanghai BS District Mishan Road No. 5
2           Beijing CP District Beinong Road No. 2
dtype: object

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：

# 将各个子组进行命名
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)

0    Shanghai HP District Mid Fangbin Road No. 249
1           Shanghai BS District Mishan Road No. 5
2           Beijing CP District Beinong Road No. 2
dtype: object

  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。

8.3.5 提取

  1. str.extract进行提取：提取既可以认为是一种返回具体元素值（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：
s.str.split('[市区路]')
Out[43]:
0    [上海, 黄浦, 方浜中, 249号]
1       [上海, 宝山, 密山, 5号]
dtype: objectpat = '(\w+市)(\w+区)(\w+路)(\d+号)'
s.str.extract(pat)
Out[78]:0    1     2     3
0  上海市  黄浦区  方浜中路  249号
1  上海市  宝山区   密山路    5号
2  北京市  昌平区   北农路    2号

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)
Out[79]: 市名   区名    路名    编号
0  上海市  黄浦区  方浜中路  249号
1  上海市  宝山区   密山路    5号
2  北京市  昌平区   北农路    2号
  1. 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)
Out[83]:0   1match
my_A 0      135  151       26   5
my_B 0      674   21       25   6

pat_with_name = '[A|B](?P<name1>\d+)[T|S](?P<name2>\d+)'
s.str.extractall(pat_with_name)
Out[84]: name1 name2match
my_A 0       135    151        26     5
my_B 0       674     21        25     6
  1. str.findall：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

8.4、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。

8.4.1 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()
Out[87]:
0                 LOWER
1              CAPITALS
2    THIS IS A SENTENCE
3              SWAPCASE
dtype: objects.str.lower()
Out[88]:
0                 lower
1              capitals
2    this is a sentence
3              swapcase
dtype: objects.str.title()  # 首字母大写
Out[89]:
0                 Lower
1              Capitals
2    This Is A Sentence
3              Swapcase
dtype: objects.str.capitalize()  # 句首大写
Out[90]:
0                 Lower
1              Capitals
2    This is a sentence
3              Swapcase
dtype: objects.str.swapcase() # 将大写转换为小写，将小写转换为大写。
Out[91]:
0                 LOWER
1              capitals
2    THIS IS A SENTENCE
3              sWaPcAsE
dtype: objects.str.casefold()  # 去除字符串中所有大小写区别0                 lower
1              capitals
2    this is a sentence
3              swapcase

8.4.2 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：非数值的处理模式。对于不能转换为数值的有三种errors选项：

    • raise：直接报错，默认选项
    • coerce：设为缺失值
    • ignore：保持原来的字符串。
  • downcast：转换类型，转成 ‘integer’, ‘signed’, ‘unsigned’, 或 ‘float’的最小dtype。比如可以转成float32就不会转成float64。
s = pd.Series(['1', '2.2', '2e', '??', '-2.1', '0'])pd.to_numeric(s, errors='ignore')
Out[93]:
0       1
1     2.2
2      2e
3      ??
4    -2.1
5       0
dtype: objectpd.to_numeric(s, errors='coerce')
Out[94]:
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()]
Out[95]:
2    2e
3    ??
dtype: object

8.4.3 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') # |左右两种子串都匹配了两次
Out[97]:
0    2
1    2
dtype: int64s.str.len()
Out[98]:
0    14
1    19
dtype: int64

8.4.4 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()
Out[100]: Int64Index([4, 4, 4], dtype='int64')my_index.str.rstrip().str.len()
Out[101]: Int64Index([5, 4, 5], dtype='int64')my_index.str.lstrip().str.len()
Out[102]: 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','*')
Out[104]:
0    ****a
1    ****b
2    ****c
dtype: objects.str.pad(5,'right','*')
Out[105]:
0    a****
1    b****
2    c****
dtype: objects.str.pad(5,'both','*')
Out[106]:
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, '*')
Out[107]:
0    ****a
1    ****b
2    ****c
dtype: objects.str.ljust(5, '*')
Out[108]:
0    a****
1    b****
2    c****
dtype: objects.str.center(5, '*')
Out[109]:
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')
Out[111]:
0    000007
1    000155
2    303000
dtype: strings.str.rjust(6,'0')
Out[112]:
0    000007
1    000155
2    303000
dtype: strings.str.zfill(6)
Out[113]:
0    000007
1    000155
2    303000
dtype: string

8.5 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)
Out[115]: floor    year    area price
0   高层（共6层）  1986年建  58.23㎡  155万
1  中层（共20层）  2020年建     88㎡  155万
2  低层（共28层）  2010年建  89.33㎡  365万
  • 将year列改为整数年份存储。
  • 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。
  • 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。
"""
整个序列需要先转成Nullable类型的String类型，取出年份，再将年份转为Int64类型。
注意，转换的类型是Int64不是int，否则报错。即使astype加参数errors='ignore'跳过缺失值，
转成int后，序列还有缺失值所以，还是变成了object。
而整个序列转为Int，就还是Int类型，缺失值变成了 pd.NA 。
"""
df = df.convert_dtypes()
df['year']=df['year'].str.replace('\D','',regex=True).astype('Int64')
df.loc[df.year.notna()]['year'].head()0        1986
1        2020
2        2010
3        2014
4        2015
Name: year, Length: 12850, dtype: Int64

参考答案：

不知道为啥pd.to_numeric(df.year.str[:-2],downcast="integer")类型为float32，不应该是整型么

df.year = pd.to_numeric(df.year.str[:-2]).astype('Int64')
df.loc[df.year.notna()]['year']
  1. 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。
pat = '(?P<Level>\w+层)(?P<Highest>\（\w+层)'
df2=df['floor'].str.extract(pat)  # 拆分成两列,第二列还是（共6层得形式，所以还的替换一次
df=pd.concat([df,df2],axis=1).convert_dtypes()  # 新增列拼接在后面，再次转为Nullable类型
df['Highest']=df['Highest'].str.replace('\D+','',regex=True).astype('Int64')
df=df[['Level','Highest','year','area','price']]
df.head()Level  Highest year    area    price
0   高层      6       1986    58.23㎡  155万
1   中层      20      2020    88㎡ 155万
2   低层      28      2010    89.33㎡  365万
3   低层      20      2014    82㎡ 308万
4   高层      1       2015    98㎡ 117万

# 参考答案。感觉是第二个字段加了中文的（）可以准备匹配出数字，但是不好直接命令子组了
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)Out[163]: year    area price    Level Highest
0  1986  58.23㎡  155万    高层       6
1  2020     88㎡  155万    中层      20
2  2010  89.33㎡  365万    低层      28
  1. 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。
"""
str.findall返回的结果都是列表，只能用apply取值去掉列表形式
参考答案用pd.to_numeric(df.area.str[:-1])更简洁
由于area和price都没有缺失值，所以可以直接转类型
"""
df['new_area']=df['area'].str.findall(r'\d+.\d+|\d+').apply(lambda x:float(x[0]))
df['new_price']=df['price'].str.replace('\D+','',regex=True).astype('int64')
df.eval('avg_price=10000*new_price/new_area',inplace=True)
# 最后均价这一列小数转整型直接用.astype('int')就行，我还准备.apply(lambda x:int(round(x,0)))
# 最后数字+元/平米写法更简单
df['avg_price']=df['avg_price'].astype('int').astype('string')+'元/平米'
del df['new_area'],df['new_price']
df.head()Level  Highest year    area    price   avg_price
0   高层          6   1986    58.23㎡  155万    26618元/平米
1   中层          20  2020    88㎡ 155万    17613元/平米
2   低层          28  2010    89.33㎡  365万    40859元/平米
3   低层          20  2014    82㎡ 308万    37560元/平米
4   高层          1   2015    98㎡ 117万    11938元/平米

# 参考答案
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)
Out[167]: year    area   price   Level Highest  avg_price
0  1986  58.23㎡  155万    高层     6   26618元/平米
1  2020     88㎡  155万    中层     20      17613元/平米
2  2010  89.33㎡  365万    低层     28      40859元/平米

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)Out[115]:
Out[117]: Release Date    Season   Episode      Episode Title          Name                                           Sentence
0   2011-04-17  Season 1  Episode 1  Winter is Coming  waymar royce  What do you expect? They're savages. One lot s...
1   2011-04-17  Season 1  Episode 1  Winter is Coming          will  I've never seen wildlings do a thing like this...
2   2011-04-17  Season 1  Episode 1  Winter is Coming  waymar royce