pandas文本str.split,cat,replace,extract,extractall,contains,match,strip,swapcase,capitalize,isnumeric

pandas处理文本数据

string类型的性质

string与object的区别
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（这一点在pandas缺失数据中有提及）
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
其余全部内容在当前版本下完全一致，但迎合Pandas的发展模式，我们仍然全部用string来操作字符串

如果将一个其他类型的容器直接转换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。

pd.Series([1,'1.']).astype('string') #报错
pd.Series([1,2]).astype('string') #报错
pd.Series([True,False]).astype('string') #报错

pd.Series([1,'1.']).astype('str').astype('string')
pd.Series([1,2]).astype('str').astype('string')
pd.Series([True,False]).astype('str').astype('string')

str.split方法

str.split根据某一个元素分割，默认为空格。expand参数控制了是否将列拆开，n参数代表最多分割多少次。
需要注意下面的例子split后的类型是object，因为现在Series中的元素已经不是string，而包含了list，且string类型只能含有字符串。

s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
print(s.str.split('_'))
print(s.str.split('_').str[1])
print(pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1])

对于str方法可以进行元素的选择，如果该单元格元素是列表，那么str[i]表示取出第i个元素，如果是单个元素，则先把元素转为列表在取出。

0    [a, b, c]
1    [c, d, e]
2         <NA>
3    [f, g, h]
dtype: object
0       b
1       d
2    <NA>
3       g
dtype: object
0    _
1    b
dtype: object

print(s.str.split('_',expand=True))
print(s.str.split('_',n=1))
print(s.str.split('_',expand=True,n=1))

      0     1     2
0     a     b     c
1     c     d     e
2  <NA>  <NA>  <NA>
3     f     g     h
0    [a, b_c]
1    [c, d_e]
2        <NA>
3    [f, g_h]
dtype: object
      0     1
0     a   b_c
1     c   d_e
2  <NA>  <NA>
3     f   g_h

str.cat方法

cat方法对于不同对象的作用结果并不相同，其中的对象包括：单列、双列、多列。
对于单个Series而言，就是指所有的元素进行字符合并为一个字符串。其中可选sep分隔符参数，和缺失值替代字符na_rep参数。

s = pd.Series(['ab',None,'d'],dtype='string')
print(s.str.cat())
print(s.str.cat(sep=','))
print(s.str.cat(sep=',',na_rep='*'))

abd
ab,d
ab,*,d

对于两个Series合并而言，是对应索引的元素进行合并。同样也有相应参数，需要注意的是两个缺失值会被同时替换。

s2 = pd.Series(['24',None,None],dtype='string')
print(s.str.cat(s2))
print(s.str.cat(s2,sep=',',na_rep='*'))

0    ab24
1    <NA>
2    <NA>
dtype: string
0    ab,24
1      *,*
2      d,*
dtype: string

多列拼接可以分为表的拼接和多Series拼接。

print(s.str.cat(pd.DataFrame({
   0:['1','3','5'],1:['5','b',None