基于pandas的文本数据（字符串）处理

一、String类型的性质

1.1 string与object的区别

string类型和object不同之处有三：

1. 字符存取方法（string accessor methods，如str.count）会返回相应数据的Nullable类型，而object会随缺失值的存在而改变返回类型
2. 某些Series方法不能在string上使用，例如： Series.str.decode()，因为存储的是字符串而不是字节
3. string类型在缺失值存储或运算时，类型会广播为pd.NA，而不是浮点型np.nan

为迎合pandas的发展模式，这里仍全部用string来操作字符串。

1.2 string类型的转换

如果将一个其他类型（如int、float、bool型数据）的容器直接转换string类型可能会出错：

当下正确的方法是分两部转换，先转为str型object，在转为string类型：

二、拆分与拼接

三、 替换

广义上的替换，就是指str.replace函数的应用，fillna是针对缺失值的替换，提到替换，就不可避免地接触到正则表达式。

四、子串匹配与提取

4.1 str.extract方法

• 正则的() 是为了提取匹配的字符串。表达式中有几个()就有几个相应的匹配字符串。(\s*)表示连续空格的字符串
• []是定义匹配的字符范围。比如 [a-zA-Z0-9]
• {}一般用来表示匹配的长度，比如 \s{3} 表示匹配三个空格，\s[1,3]表示匹配一到三个空格
  -

4.2 str.extractall方法

与extract只匹配第一个符合条件的表达式不同，extractall会找出所有符合条件的字符串，并建立多级索引（即使只找到一个）

五、常用字符串方法

1. 过滤型方法

2. isnumeric方法

检查每一位是否都是数字