import pandas as pd
import numpy as np
string类型的性质
string与object的区别
string类型和object不同之处有三:
- 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
- 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
- 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
string类型的转换
- 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('str').astype('string')
0 1
1 1
dtype: string
pd.Series([1,2]).astype('str')
0 1
1 2
dtype: object
- 以上可以看出这一步是转换为object
pd.Series([1,2]).astype('str').astype('string')
0 1
1 2
dtype: string
pd.Series([True,False]).astype('str').astype('string')
0 True
1 False
dtype: string
拆分与拼接
str.split方法
- 分割符号与str的位置元素选取
s=pd.Series(['a_b_c','c_d_e',np.nan,'f_g_h'],dtype='string')
s
0 a_b_c
1 c_d_e
2 <NA>
3 f_g_h
dtype: string
- 根据某一个元素分割,默认为空格
s.str.split('_')
0 [a, b, c]
1 [c, d, e]
2 <NA>
3 [f, g, h]
dtype: object
-
分割之后数据类型改变了。注意,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在取出
s.str.split('_').str[1]#按列取出
0 b
1 d
2 <NA>
3 g
dtype: object
pd.Series(['a_b_c',['a','b','c']],dtype='object')
0 a_b_c
1 [a, b, c]
dtype: object
pd.Series(['a_b_c',['a','b','c']],dtype='object').str[1]
0 _
1 b
dtype: object
- 从上面两部可以看出,首先转换成[‘a’,’’,‘b’,’’,‘c’],之后再按列取
- 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
pd.DataFrame(s)
0 | |
---|---|
0 | a_b_c |
1 | c_d_e |
2 | <NA> |
3 | f_g_h |
s.str.split('_',expand=True)
0 | 1 | 2 | |
---|---|---|---|
0 | a | b | c |
1 | c | d | e |
2 | <NA> | <NA> | <NA> |
3 | f | g | h |
s.str.split('_',n=1)#只对第一个_进行了分割
0 [a, b_c]
1 [c, d_e]
2 <NA>
3 [f, g_h]
dtype: object
s.str.split('_',expand=True,n=1)
0 | 1 | |
---|---|---|
0 | a | b_c |
1 | c | d_e |
2 | <NA> | <NA> |
3 | f | g_h |
str.cat方法
- 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
-
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
s=pd.Series(['ab',None,'d'],dtype='string')
s
0 ab
1 <NA>
2 d
dtype: string
s.str.cat()
'abd'
- 其中可选sep分隔符参数,和缺失值替代字符na_rep参数
s.str.cat(sep='!',na_rep='+')
'ab!+!d'
- 对于两个Series合并而言,是对应索引的元素进行合并
s2=pd.Series(['24',None,None],dtype='string')
s2
0 24
1 <NA>
2 <NA>
dtype: string
s.str.cat(s2)
0 ab24
1 <NA>
2 <NA>
dtype: string
- 对于两个Series合并而言,是对应索引的元素进行合并
s.str.cat(s2,sep='!',na_rep='+')
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
#表的拼接
s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='+')
0 ab15
1 +3b
2 d5+
dtype: string
#多个series拼接
s.str.cat([s+'0',s*2])
0 abab0abab
1 <NA>
2 dd0dd
dtype: string
- cat中的索引对齐
s2=pd.Series(list('abc'),index=[1,2,3],dtype='string')
s2
1 a
2 b
3 c
dtype: string
#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'
s.str.cat(s2,na_rep='+')
0 ab+
1 +a
2 db
dtype: string
替换
str.replace的常见用法
s = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca','', np.nan, 'CABA', 'dog', 'cat'],dtype="string")
s
0 A
1 B
2 C
3 Aaba
4 Baca
5
6 <NA>
7 CABA
8 dog
9 cat
dtype: string