第八章文本数据

python

import numpy as np import pandas as pd

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：

python

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。

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：

python

var[0]

同时也能通过切片得到子串：

python

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：

python

s.str[0] s.str[-1: 0: -2] s.str[2]

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：

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。

python

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。

python

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 ：

python

s = pd.Series([12, 345, 6789]) s.astype('string').str[1]

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 ：

python

import re re.findall(r'Apple', 'Apple! This Is an Apple!')

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 | +---------+--------------------------------------------------+ | ? | > 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 | +---------+--------------------------------------------------+

python

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'aaaa*', 'aa?a*a')
re.findall(r'a?.', 'abaacadaae')

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: [tnfrp{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 | +---------+----------------------------------------------------+

python

re.findall(r'.s', 'Apple! This Is an Apple!') re.findall(r'w{2}',
'09 8? 7w [c]() 9q p@') re.findall(r'wWB', '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')

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，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 。

python

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：

python

s.str.rsplit('[市区路]', n=2, expand=True)

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，如果列表中出现了非字符串元素则返回缺失值：

python

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。

python

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')

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：

python

s = pd.Series(['my cat', 'he is fat', 'railway station'])
s.str.contains('swat')

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：

python

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：

python

s.str.match('mg]|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：

python

s.str.contains('^[mg]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：

python

s = pd.Series(['This is an apple. That is not an apple.'])
s.str.find('apple') s.str.rfind('apple')

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。

python

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）：

python

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：

python

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。

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：

python

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：

python

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：

python

s = pd.Series(['A135T15,A26S5','B674S2,B25T6'], index =
['my_A','my_B']) pat = '[AS](d+)' s.str.extractall(pat)
pat_with_name = '[AS](?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。

python

s.str.findall(pat)

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：

python

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()

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。

python

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：

python

s[pd.to_numeric(s, errors='coerce').isna()]

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：

python

s = pd.Series(['cat rat fat at', 'get feed sheet heat'])
s.str.count('[ree') s.str.len()

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。

python

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：

python

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：

python

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。

python

s = pd.Series([7, 155, 303000]).astype('string')
s.str.pad(6,'left','0') s.str.rjust(6,'0') s.str.zfill(6)

五、练习

Ex1：房屋信息数据集

现有一份房屋信息数据集如下：

python

df = pd.read_excel('data/house_info.xls', usecols=[

:   'floor','year','area','price'])

df.head(3)

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。

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：

python

df = pd.read_csv('data/script.csv') df.head(3)

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

第八章 文本数据

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​

2. 元字符基础​

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​