文本数据

第7章文本数据

一、string类型的性质
1.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
（理解：其实还是之前讨论的那个问题，object类型的数据返回值类型会发生变化，而string则不会发生变化，但是据我现在的了解，Nullable中默认的好像只有Int类型 boolean类型 以及string类型 当这些类型数据值发生变动时 数据类型不会发生变化，这有个好处就是在数据清洗中可以避免很多不必要的麻烦，而object类型会发生变化，这一点我个人理解就是，如果知道返回的数据类型知道还好，大不了在变化统一，但是要是不知道这东西变成啥了，对于以后数据的处理就比较那麻烦）

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类型在缺失值存储和运算时，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)

2 string类型的转换
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类转换，先转为str型object， 再转为string类型：
（理解 就是不能直接的定义strng类型，需要找个中间变量替换一下）

二 拆分与拼接

（a）分隔符与str的位置元素读取

这里需要注意spilt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
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再取出

2 其他参数
expand参数控制了是否将列拆开，n参数代表最多分割多少次


具体含义见网站
https://blog.csdn.net/weixin_40161254/article/details/95321858

理解
据我先现在的了解 这个str.split主要是进行分割用的，他会依分隔符对数据进行分割，有一个参数是进行切割次数的规定，而expend更像是将数据做了一个表格。
2 str.cat方法
1 不同对象的拼接模式
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

1 对于单个Series而言，就是指所有的元素合并为一个字符串

从这图中可以看出0 1 2这三个选项的的字符出内容被拼接到了一起

在这个命令中有两个参数sep和na_rep,sep是作为分隔符号的参数，而na_rep,是作为缺省值的补充值而存在的

对于两个Series合开而言，是对应索引的元素进行合并


**这个操作还可以将两个字符串中的元素进行拼接，也就是对应的元素进行组合
**
当操作对象是两个字符串的时候，也可以设置sep，和na_rep命令来进行替换。

多列拼接可以分为表的拼接和多Series拼接

1 表拼接

2 多个Series拼接

2 cat中的索引对齐
当前版本中，如果两边合并的索引不相同，且未指定join参数，默认为左连接，设置join=‘left’

理解：
其实就是当俩个Series的字符串进行拼接的时候，一般默认为左连接，也就是说谁在str.cat操作的外面，索引号就一谁为准

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，上一章已经提及

提到替换m就不可避免地接触到正则表达式，这里默认读者已经掌握常见正则表达式知识点，若对其还不了解可以通过
网址：(https://regexone.com/)

1. str.replace的常见用法
   
   第一个值写r开头的正则表达式，后一个写替换字符串
   
   2 子组与函数替换
   通过正整数调用子组（0返回字符本身，从1开始才是子组）
   
   看到这个结果和表达式 我一脸懵逼 什么情况这是啥 ，然后重温一下正则表达式的知识点
   好像正则表达式就是类似于一系列的操作符号，但是在教程中这些操作符对应着不同的操作结果
   
   我现在貌似懂了 正则表达式类似于一个可以寻找字符串相同的项用他们去做匹配，就上完了前4节课 后面的在补吧

利用？<…>表达式可以对子组命名调用

**理解 **
我一开始有点懵，这是什么情况，一样，后来才明白，人家只不过是介绍了，这个替换的两种方法而已 智障了

3 关于str.replace的注意事项
首先，要明确str.replace和replace并不是一个东西
str.replace针对的是object类型或string类型，默认是以正则表达式为操作，目前暂时不支持DataFrame上使用

replace针对的是任意类型的序列或数据框，如果要以正则表达式替换，需要设置regex=True，该方法通过了字典可支持多列替换，但现在由于string类型的初步引入，用法上出现了一些问题，这些issue有望在以后的版本中写u古

str.replace赋值参数不得为pd.NA
这听上去非常不合理，例如对满足某些正则条件的字符串替换为缺失值，直接更改为缺失值在当下版本就会报错。

此时，可以先转为object类型再赚回来，曲线救国：

至于为什么不用replace函数中的regx替换（但string类型，replace的非正则替换是可以的），原因在下面一条

1 对于string类型Series，在使用replace函数时不能使用正则表达式替换
该bug现在还未修复

可以从图中清楚的看出被替换掉了

3 string类型序列如果存在缺失值，不能使用replace替换

四 字符匹配与提取