目录
1 str对象
1.1 str基础
- str对象的设计意图
- 作用:
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。 - 使用:对一个序列进行文本处理,首先需要获取其
str
对象。
注意: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- 【例子】字母转为大写的操作
var = 'abcd' str.upper(var) # Python内置str模块 # 'ABCD' s=pd.Series(['abcd','efg','hi']) s.str.upper() # pandas中str对象上的upper方法 ''' 0 ABCD 1 EFG 2 HI dtype: object '''
- 作用:
- []索引器
- 作用: 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
注意:如果超出范围则返回缺失值
- 【例子】通过 [] 取出某个位置的元素
var[0] # 'a' var[-1:0:-2] # 通过切片得到子串 # 'db'
s.str[0] ''' 0 a 1 e 2 h dtype: object ''' s.str[-1: 0: -2] ''' 0 db 1 g 2 i dtype: object ''' s.str[2] ''' 0 c 1 g 2 NaN dtype: object '''
- 作用: 对于
1.2 string类型
string
和object
:在string
未引入之前,所有的字符串类型都以object
类型的Series
进行存储,但object
类型只应该存储混合类型,比如同时存储字符串、字典、列表等,因此字符串要有自己的数据类型,因此引入string
类型。
因此,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,除了下面提到的两点- 区别一:
- 区别点: 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 - 使用
str
属性: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。 - 【例子】
分析:s = pd.Series([{ 1: 'temp_1', 2: 'temp_2'}, ['a', 'b'], 0.5, 'my_string']) s.str[1] # 按每个元素进行索引 ''' 0 temp_1 1 b 2 NaN 3 y dtype: object ''' s.astype('string').str[1] # 把每个元素转为字符串 ''' 0 1 1 ' 2 . 3 y dtype: string '''
- 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。
- 区别点: 对于一个可迭代对象,
- 区别二:
- 区别点: string 类型是 Nullable 类型,但 object 不是
- 导致的结果:
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In
和boolean
的Nullable
类型
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。
-【例子】
s = pd.Series(['a']) s.str.len() s.astype('string').str.len() ''' 0 1 dtype: Int64 ''' s = pd.Series(['a', np.nan]) # 带有缺失值 s.str.len() ''' 0 1.0 1 NaN dtype: float64 ''' s.astype('string').str.len() ''' 0 1 1 <NA> dtype: Int64 ''' s == 'a' ''' 0 True 1 False dtype: bool ''' s.astype('string') == 'a' ''' 0 True 1 <NA> dtype: boolean '''
注意: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 '''
2 正则表达式基础
- 正则表达式: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。
- 一般字符的匹配:对于一般的字符而言,它可以找到其所在的位置
- 函数: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。 - 【例子】在下面的字符串中找出 apple
import re re.findall(r'Apple', 'Apple! This Is an Apple!') # ['Apple', 'Apple']
- 函数:使用了
- 元字符基础:
元字符 | 描述 |
---|---|
. | 匹配除换行符以外的 |