第1关：字符串操作方法 头歌

• 先直接放源码 

• import pandas as pd

  pd.set_option('display.max_rows', None)

  def demo():

      #********** Begin **********#

      data = pd.read_csv("./step1/bournemouth_venues.csv")

      data1 = data["Venue Name"]

      data2= "" + data1.str.split().str.get(-1)

      data3 = data2.str.replace("P.*","")

      data3.drop(data3[data3.values==""].index,inplace = False)

      data4 = data3.str.contains("[a-zA-Z]+")

      data3.drop(data4[data4==False].index,inplace=True)

      pd.set_option('display.max_rows', None)

      print(data3.head(30).to_string(header=False, dtype=False))

      print("         ...     ")

      print(data3.tail(30).to_string(header=False, dtype=False))

      print("Name: Venue Name, Length: 90, dtype: object",end="")

      return "";

      # ********** End **********#

• 相关知识
  • 字符串方法
  • 正则表达式方法
• 编程要求
• 测试说明

---

任务描述

本关任务：读取step1/bournemouth_venues.csv文件，获取Venue Name列，通过向量化字符串操作得到清洗后的数据。

相关知识

为了完成本关任务，你需要掌握：1.pandas字符串方法；2. 基本正则表达式。

字符串方法

如果你对Python字符串方法十分了解，那么下面的知识对你来说如瓮中捉鳖，几乎所有的Python内置的字符串方法都被复制到Pandas的向量化字符串方法中。

下面列举为Pandas字符串方法借鉴Python字符串方法的内容：

---

它们的作用与Python字符串的基本一致，但是需要注意这些方法的返回值不同。举两个例子：

• 样例1：

1. monte = pd.Series(['Graham Chapman', 'John Cleese', 'Terry Gilliam', 'Eric Idle', 'Terry Jones', 'Michael Palin'])
2. monte.str.lower() # 返回字符串

输出：

1. 0 graham chapman
2. 1 john cleese
3. 2 terry gilliam
4. 3 eric idle
5. 4 terry jones
6. 5 michael palin
7. dtype: object

• 样例2：

1. monte.str.split() # 返回列表

输出：

1. 0 [Graham, Chapman]
2. 1 [John, Cleese]
3. 2 [Terry, Gilliam]
4. 3 [Eric, Idle]
5. 4 [Terry, Jones]
6. 5 [Michael, Palin]
7. dtype: object

---

pandas中还有一些自带的字符串方法，如下图所示：

其中get_dummies()方法有点难以理解，给大家举个例子：假设有一个包含了某种编码信息的数据集，如 A= 出生在美国、B= 出生在英国、C= 喜欢奶酪、D= 喜欢午餐肉：

1. full_monte = pd.DataFrame({
2. 'name': monte,
3. 'info': ['B|C|D', 'B|D', 'A|C', 'B|D', 'B|C', 'B|C|D']})
4. print(full_monte)

输出：

1. info name
2. 0 B|C|D Graham Chapman
3. 1 B|D John Cleese
4. 2 A|C Terry Gilliam
5. 3 B|D Eric Idle
6. 4 B|C Terry Jones
7. 5 B|C|D Michael Palin

get_dummies()方法可以让你快速将这些指标变量分割成一个独热编码的DataFrame（每个元素都是0或1）：

1. full_monte['info'].str.get_dummies('|')

输出：

1. A B C D
2. 0 0 1 1 1
3. 1 0 1 0 1
4. 2 1 0 1 0
5. 3 0 1 0 1
6. 4 0 1 1 0
7. 5 0 1 1 1

正则表达式方法

还有一些支持正则表达式的方法可以用来处理每个字符串元素。如下图所示：

众所周知，正则表达式“无所不能”，我们可以利用正则实现一些独特的操作，例如提取每个人的first name：

1. monte.str.ext\fract('([A-Za-z]+)')

输出：

1. 0 Graham
2. 1 John
3. 2 Terry
4. 3 Eric
5. 4 Terry
6. 5 Michael
7. dtype: object

或者找出所有开头和结尾都是辅音字符的名字：

1. monte.str.findall(r'^[^AEIOU].*[^aeiou]$')

输出：

1. 0 [Graham Chapman]
2. 1 []
3. 2 [Terry Gilliam]
4. 3 []
5. 4 [Terry Jones]
6. 5 [Michael Palin]
7. dtype: object

如果你想深入了解这些方法的作用，请参考Pandas官方文档

编程要求

本关的编程任务是补全右侧上部代码编辑区内的相应代码，要求实现如下功能：

• 读取step1/bournemouth_venues.csv文件，文件说明如下：

列名	说明
Venue Name	场地名
Venue Category	场地类别
Venue Latitude	场地经度
Venue Longitude	场地纬度

• 以空格切分每个场地名并获取每个切分后列表的最后一个元素作为一个Series；

• 将所有单词为P开头的值替换为空，并删除所有为空的行；

• 找出所有值不含字母的行并删除；

• 返回清洗后的结果；

• 具体要求请参见后续测试样例。

请先仔细阅读右侧上部代码编辑区内给出的代码框架，再开始你的编程工作！

测试说明

平台会对你编写的代码进行测试，对比你输出的数值与实际正确的数值，只有所有数据全部计算正确才能进入下一关。

测试输入：

无测试输入

预期输出：

1. 0 Roast
2. 1 DelMarco
3. 2 Gardens
4. 3 Gardens
5. 4 Square
6. 5 Stable
7. 6 Starbucks
8. 7 Co.
9. 8 Gardens
10. 9 Sandwich
11. 10 Kitchen
12. 11 Gym
13. 12 Coffee
14. 13 Bournemouth
15. 14 Manger
16. 15 Cucumber
17. 16 Guys
18. 17 Club
19. 18 Beach
20. 19 Odeon
21. 20 Gelateria
22. 21 Valerie
23. 22 Greek
24. 23 Slope)
25. 24 Starbucks
26. 26 Nero
27. 28 Tealith
28. 29 NEO
29. 30 Bay
30. 31 Aces
31. ...
32. 67 Co.
33. 69 Garden
34. 70 Brasserie
35. 71 Restaurant
36. 72 Gardens
37. 73 Atlantico
38. 74 Hotel
39. 75 DYMK
40. 76 Winchester
41. 77 Subway
42. 78 Circus
43. 79 Bar
44. 80 Triangle
45. 81 Rojo
46. 82 KFC
47. 83 Hotel
48. 84 Cliff
49. 85 Xchange
50. 86 Express
51. 87 (Harvester)
52. 88 Zag
53. 89 (BMH)
54. 90 Bournemouth
55. 91 Coffee
56. 92 Inn
57. 93 Stop
58. 94 Chineside
59. 96 Hotel
60. 97 Hotel
61. 98 Chine
62. Name: Venue Name, Length: 90, dtype: object