第八章 文本数据#
In [1]: import numpy as np
In [2]: 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：
In [3]: var = 'abcd'
In [4]: str.upper(var) # Python内置str模块
Out[4]: 'ABCD'
In [5]: s = pd.Series(['abcd', 'efg', 'hi'])
In [6]: s.str
Out[6]: <pandas.core.strings.accessor.StringMethods at 0x29238d56fa0>
In [7]: s.str.upper() # pandas中str对象上的upper方法
Out[7]:
0 ABCD
1 EFG
2 HI
dtype: object
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：
In [8]: var[0]
Out[8]: 'a'
同时也能通过切片得到子串：
In [9]: var[-1: 0: -2]
Out[9]: 'db'
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：
In [10]: s.str[0]
Out[10]:
0 a
1 e
2 h
dtype: object
In [11]: s.str[-1: 0: -2]
Out[11]:
0 db
1 g
2 i
dtype: object
In [12]: s.str[2]
Out[12]:
0 c
1 g
2 NaN
dtype: object
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。
In [13]: s = pd.Series([{1: 'temp_1', 2: 'temp_2'}, ['a', 'b'], 0.5, 'my_string'])
In [14]: s.str[1]
Out[14]:
0 temp_1
1 b
2 NaN
3 y
dtype: object
In [15]: s.astype('string').str[1]
Out[15]:
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。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。
In [16]: s = pd.Series(['a'])
In [17]: s.str.len()
Out[17]:
0 1
dtype: int64
In [18]: s.astype('string').str.len()
Out[18]:
0 1
dtype: Int64
In [19]: s == 'a'
Out[19]:
0 True
dtype: bool
In [20]: s.astype('string') == 'a'
Out[20]:
0 True
dtype: boolean
In [21]: s = pd.Series(['a', np.nan]) # 带有缺失值
In [22]: s.str.len()
Out[22]:
0 1.0
1 NaN
dtype: float64
In [23]: s.astype('string').str.len()
Out[23]:
0 1
1 <NA>
dtype: Int64
In [24]: s == 'a'
Out[24]:
0 True
1 False
dtype: bool
In [25]: s.astype('string') == 'a'
Out[25]:
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 ：
In [26]: s = pd.Series([12, 345, 6789])
In [27]: s.astype('string').str[1]
Out[27]:
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 ：
In [28]: import re
In [29]: re.findall(r'Apple', 'Apple! This Is an Apple!')
Out[29]: ['Apple', '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 |
In [30]: re.findall(r'.', 'abc')
Out[30]: ['a', 'b', 'c']
In [31]: re.findall(r'[ac]', 'abc')
Out[31]: ['a', 'c']
In [32]: re.findall(r'[^ac]', 'abc')
Out[32]: ['b']
In [33]: re.findall(r'[ab]{2}', 'aaaabbbb') # {n}指匹配n次
Out[33]: ['aa', 'aa', 'bb', 'bb']
In [34]: re.findall(r'aaa|bbb', 'aaaabbbb')
Out[34]: ['aaa', 'bbb']
In [35]: re.findall(r'a\\?|a\*', 'aa?a*a')
Out[35]: ['a', 'a', 'a', 'a']
In [36]: re.findall(r'a?.', 'abaacadaae')
Out[36]: ['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 |
In [37]: re.findall(r'.s', 'Apple! This Is an Apple!')
Out[37]: ['is', 'Is']
In [38]: re.findall(r'\w{2}', '09 8? 7w c_ 9q p@')
Out[38]: ['09', '7w', 'c_', '9q']
In [39]: re.findall(r'\w\W\B', '09 8? 7w c_ 9q p@')
Out[39]: ['8?', 'p@']
In [40]: re.findall(r'.\s.', 'Constant dropping wears the stone.')
Out[40]: ['t d', 'g w', 's t', 'e s']
In [41]: 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')]
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 。
In [42]: 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'])
....:
In [43]: 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: object
In [44]: s.str.split('[市区路]', n=2, expand=True)
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
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：
In [45]: 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
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：
In [46]: s = pd.Series([['a','b'], [1, 'a'], [['a', 'b'], 'c']])
In [47]: s.str.join('-')
Out[47]:
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。
In [48]: s1 = pd.Series(['a','b'])
In [49]: s2 = pd.Series(['cat','dog'])
In [50]: s1.str.cat(s2,sep='-')
Out[50]:
0 a-cat
1 b-dog
dtype: object
In [51]: s2.index = [1, 2]
In [52]: s1.str.cat(s2, sep='-', na_rep='?', join='outer')
Out[52]:
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：
In [53]: s = pd.Series(['my cat', 'he is fat', 'railway station'])
In [54]: s.str.contains('\s\wat')
Out[54]:
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：
In [55]: s.str.startswith('my')
Out[55]:
0 True
1 False
2 False
dtype: bool
In [56]: s.str.endswith('t')
Out[56]:
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：
In [57]: s.str.match('m|h')
Out[57]:
0 True
1 True
2 False
dtype: bool
In [58]: s.str[::-1].str.match('ta[f|g]|n') # 反转后匹配
Out[58]:
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：
In [59]: s.str.contains('^[m|h]')
Out[59]:
0 True
1 True
2 False
dtype: bool
In [60]: s.str.contains('[f|g]at|n$')
Out[60]:
0 False
1 True
2 True
dtype: bool
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：
In [61]: s = pd.Series(['This is an apple. That is not an apple.'])
In [62]: s.str.find('apple')
Out[62]:
0 11
dtype: int64
In [63]: s.str.rfind('apple')
Out[63]:
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。
In [64]: s = pd.Series(['a_1_b','c_?'])
In [65]: s.str.replace('\d|\?', 'new', regex=True)
Out[65]:
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）：
In [66]: 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'])
....:
In [67]: pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
In [68]: city = {'上海市': 'Shanghai', '北京市': 'Beijing'}
In [69]: district = {'昌平区': 'CP District',
....: '黄浦区': 'HP District',
....: '宝山区': 'BS District'}
....:
In [70]: road = {'方浜中路': 'Mid Fangbin Road',
....: '密山路': 'Mishan Road',
....: '北农路': 'Beinong Road'}
....:
In [71]: 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])
....:
In [72]: s.str.replace(pat, my_func, regex=True)
Out[72]:
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：
In [73]: pat = '(?P<市名>\w+市)(?P<区名>\w+区)(?P<路名>\w+路)(?P<编号>\d+号)'
In [74]: 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])
....:
In [75]: s.str.replace(pat, my_func, regex=True)
Out[75]:
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。
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：
In [76]: pat = '(\w+市)(\w+区)(\w+路)(\d+号)'
In [77]: s.str.extract(pat)
Out[77]:
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：
In [78]: pat = '(?P<市名>\w+市)(?P<区名>\w+区)(?P<路名>\w+路)(?P<编号>\d+号)'
In [79]: 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
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：
In [80]: s = pd.Series(['A135T15,A26S5','B674S2,B25T6'], index = ['my_A','my_B'])
In [81]: pat = '[A|B](\d+)[T|S](\d+)'
In [82]: s.str.extractall(pat)
Out[82]:
0 1
match
my_A 0 135 15
1 26 5
my_B 0 674 2
1 25 6
In [83]: pat_with_name = '[A|B](?P<name1>\d+)[T|S](?P<name2>\d+)'
In [84]: s.str.extractall(pat_with_name)
Out[84]:
name1 name2
match
my_A 0 135 15
1 26 5
my_B 0 674 2
1 25 6
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。
In [85]: s.str.findall(pat)
Out[85]:
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：
In [86]: s = pd.Series(['lower', 'CAPITALS', 'this is a sentence', 'SwApCaSe'])
In [87]: s.str.upper()
Out[87]:
0 LOWER
1 CAPITALS
2 THIS IS A SENTENCE
3 SWAPCASE
dtype: object
In [88]: s.str.lower()
Out[88]:
0 lower
1 capitals
2 this is a sentence
3 swapcase
dtype: object
In [89]: s.str.title()
Out[89]:
0 Lower
1 Capitals
2 This Is A Sentence
3 Swapcase
dtype: object
In [90]: s.str.capitalize()
Out[90]:
0 Lower
1 Capitals
2 This is a sentence
3 Swapcase
dtype: object
In [91]: s.str.swapcase()
Out[91]:
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。
In [92]: s = pd.Series(['1', '2.2', '2e', '??', '-2.1', '0'])
In [93]: pd.to_numeric(s, errors='ignore')
Out[93]:
0 1
1 2.2
2 2e
3 ??
4 -2.1
5 0
dtype: object
In [94]: pd.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：
In [95]: s[pd.to_numeric(s, errors='coerce').isna()]
Out[95]:
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：
In [96]: s = pd.Series(['cat rat fat at', 'get feed sheet heat'])
In [97]: s.str.count('[r|f]at|ee')
Out[97]:
0 2
1 2
dtype: int64
In [98]: s.str.len()
Out[98]:
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。
In [99]: my_index = pd.Index([' col1', 'col2 ', ' col3 '])
In [100]: my_index.str.strip().str.len()
Out[100]: Int64Index([4, 4, 4], dtype='int64')
In [101]: my_index.str.rstrip().str.len()
Out[101]: Int64Index([5, 4, 5], dtype='int64')
In [102]: 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：
In [103]: s = pd.Series(['a','b','c'])
In [104]: s.str.pad(5,'left','*')
Out[104]:
0 ****a
1 ****b
2 ****c
dtype: object
In [105]: s.str.pad(5,'right','*')
Out[105]:
0 a****
1 b****
2 c****
dtype: object
In [106]: s.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：
In [107]: s.str.rjust(5, '*')
Out[107]:
0 ****a
1 ****b
2 ****c
dtype: object
In [108]: s.str.ljust(5, '*')
Out[108]:
0 a****
1 b****
2 c****
dtype: object
In [109]: s.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。
In [110]: s = pd.Series([7, 155, 303000]).astype('string')
In [111]: s.str.pad(6,'left','0')
Out[111]:
0 000007
1 000155
2 303000
dtype: string
In [112]: s.str.rjust(6,'0')
Out[112]:
0 000007
1 000155
2 303000
dtype: string
In [113]: s.str.zfill(6)
Out[113]:
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：
In [114]: df = pd.read_excel('data/house_info.xls', usecols=[
.....: 'floor','year','area','price'])
.....:
In [115]: 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。
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：
In [116]: df = pd.read_csv('data/script.csv')
In [117]: df.head(3)
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 How close did you get?
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。