笔记小结：《利用Python进行数据分析》之字符串操作（含正则表达式）

目录

字符串对象方法

使用split分割字符串

连接字符串

查找子串

字串计数

替换字串

字符串方法表 

正则表达式

分割数量不定的空白符

匹配正则表达式的所有模式

匹配字符串

替换字符串

将字符串分组

带有分组功能的findall

pandas矢量化字符串函数

---

Python能够成为流行的数据处理语言，部分原因是其简单易用的字符串和文本处理功能。大部分文本运算都直接做成了字符串对象的内置方法。对于更为复杂的模式匹配和文本操作，则可能需要用到正则表达式。pandas对此进行了加强，它使你能够对整组数据应用字符串表达式和正则表达式，而且能处理烦人的缺失数据。

字符串对象方法

使用split分割字符串

对于许多字符串处理和脚本应用，内置的字符串方法已经能够满足要求了。例如，以逗号分隔的字符串可以用split拆分成数段：

In [134]: val = 'a,b,  guido'
In [135]: val.split(',')
Out[135]: ['a', 'b', '  guido']

split常常与strip一起使用，以去除空白符（包括换行符）：

In [136]: pieces = [x.strip() for x in val.split(',')]
In [137]: pieces
Out[137]: ['a', 'b', 'guido']

连接字符串

利用加法，可以将这些子字符串以双冒号分隔符的形式连接起来：

In [138]: first, second, third = pieces
In [139]: first + '::' + second + '::' + third
Out[139]: 'a::b::guido'

但这种方式并不是很实用。一种更快更符合Python风格的方式是，向字符串”::”的join方法传入一个列表或元组：

In [140]: '::'.join(pieces)
Out[140]: 'a::b::guido'

查找子串

其它方法关注的是子串定位。检测子串的最佳方式是利用Python的in关键字，还可以使用index和find。注意find和index的区别：如果找不到字符串，index将会引发一个异常（而不是返回－1）：

In [141]: 'guido' in val
Out[141]: True
In [142]: val.index(',')
Out[142]: 1
In [143]: val.find(':')
Out[143]: -1
In [144]: val.index(':')
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-144-280f8b2856ce> in <module>()
----> 1 val.index(':')
ValueError: substring not found

字串计数

与此相关，count可以返回指定子串的出现次数：

In [145]: val.count(',')
Out[145]: 2

替换字串

replace用于将指定模式替换为另一个模式。通过传入空字符串，它也常常用于删除模式：

In [146]: val.replace(',', '::')
Out[146]: 'a::b::  guido'
In [147]: val.replace(',', '')
Out[147]: 'ab  guido'

字符串方法表 

正则表达式

正则表达式提供了一种灵活的在文本中搜索或匹配（通常比前者复杂）字符串模式的方式。正则表达式，常称作regex，是根据正则表达式语言编写的字符串。Python内置的re模块负责对字符串应用正则表达式。

re模块的函数可以分为三个大类：模式匹配、替换以及拆分。当然，它们之间是相辅相成的。一个regex描述了需要在文本中定位的一个模式，它可以用于许多目的。

分割数量不定的空白符

我们先来看一个简单的例子：假设我想要拆分一个字符串，分隔符为数量不定的一组空白符（制表符、空格、换行符等）。描述一个或多个空白符的regex是\s+：

In [148]: import re
In [149]: text = "foo    bar\t baz  \tqux"
In [150]: re.split('\s+', text)
Out[150]: ['foo', 'bar', 'baz', 'qux']

调用re.split(‘\s+’,text)时，正则表达式会先被编译，然后再在text上调用其split方法。你可以用re.compile自己编译regex以得到一个可重用的regex对象：

In [151]: regex = re.compile('\s+')
In [152]: regex.split(text)
Out[152]: ['foo', 'bar', 'baz', 'qux']

匹配正则表达式的所有模式

如果只希望得到匹配regex的所有模式，则可以使用findall方法：

In [153]: regex.findall(text)
Out[153]: ['    ', '\t ', '  \t']

如果打算对许多字符串应用同一条正则表达式，强烈建议通过re.compile创建regex对象。这样将可以节省大量的CPU时间。

匹配字符串

match和search跟findall功能类似。findall返回的是字符串中所有的匹配项，而search则只返回第一个匹配项。match更加严格，它只匹配字符串的首部。来看一个小例子，假设我们有一段文本以及一条能够识别大部分电子邮件地址的正则表达式：

text = """Dave dave@google.com
Steve steve@gmail.com
Rob rob@gmail.com
Ryan ryan@yahoo.com
"""
pattern = r'[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}'
# re.IGNORECASE makes the regex case-insensitive
regex = re.compile(pattern, flags=re.IGNORECASE)

 对text使用findall将得到一组电子邮件地址：

In [155]: regex.findall(text)
Out[155]: 
['dave@google.com',
 'steve@gmail.com',
 'rob@gmail.com',
 'ryan@yahoo.com']In [155]: regex.findall(text)
Out[155]: 
['dave@google.com',
 'steve@gmail.com',
 'rob@gmail.com',
 'ryan@yahoo.com']

 search返回的是文本中第一个电子邮件地址（以特殊的匹配项对象形式返回）。对于上面那个regex，匹配项对象只能告诉我们模式在原字符串中的起始和结束位置：

In [156]: m = regex.search(text)
In [157]: m
Out[157]: <_sre.SRE_Match object; span=(5, 20), match='dave@google.com'>
In [158]: text[m.start():m.end()]
Out[158]: 'dave@google.com'

 regex.match则将返回None，因为它只匹配出现在字符串开头的模式：

In [159]: print(regex.match(text))
None
# 这里开头的字符串有一段不是邮件，故并不匹配

替换字符串

相关的，sub方法可以将匹配到的模式替换为指定字符串，并返回所得到的新字符串：

In [160]: print(regex.sub('REDACTED', text))
Dave REDACTED
Steve REDACTED
Rob REDACTED
Ryan REDACTED

将字符串分组

假设你不仅想要找出电子邮件地址，还想将各个地址分成3个部分：用户名、域名以及域后缀。要实现此功能，只需将待分段的模式的各部分用圆括号包起来即可：

In [161]: pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'
In [162]: regex = re.compile(pattern, flags=re.IGNORECASE)

由这种修改过的正则表达式所产生的匹配项对象，可以通过其groups方法返回一个由模式各段组成的元组：

In [163]: m = regex.match('wesm@bright.net')
In [164]: m.groups()
Out[164]: ('wesm', 'bright', 'net')

这个结果表明，字符串'wesm@bright.net'被成功解析为用户名'wesm'，域名'bright'和顶级域名'net'。这证实了正则表达式对象regex正确地识别了电子邮件地址的组成部分。

由于match()方法成功返回了一个Match对象，这意味着提供的字符串'wesm@bright.net'符合正则表达式定义的电子邮件地址格式。m.groups()方法返回了一个元组('wesm', 'bright', 'net')，分别对应于正则表达式中的三个分组。

对于带有分组功能的模式，findall会返回一个元组列表：

1. pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'：这是正则表达式模式，用于匹配电子邮件地址。其中：

   • [A-Z0-9._%+-]+ 匹配邮箱用户名部分，可以包含大写字母、数字、点号、下划线、百分号、加号和减号。
   • @ 是邮箱地址中必须包含的符号。
   • [A-Z0-9.-]+ 匹配域名部分，可以包含大写字母、数字和点号。
   • \. 匹配点号，用于分隔域名和顶级域名。
   • ([A-Z]{2,4}) 匹配顶级域名，通常是2到4个大写字母。

2. regex = re.compile(pattern, flags=re.IGNORECASE)：这行代码使用re.compile()函数编译了上面定义的正则表达式模式，并设置了re.IGNORECASE标志，这意味着在匹配时将忽略大小写。

3. m = regex.match('wesm@bright.net')：这行代码调用了正则表达式对象regex的match()方法，尝试从字符串'wesm@bright.net'的起始位置匹配电子邮件地址。如果匹配成功，match()方法将返回一个Match对象，否则返回None。

4. m.groups()：这行代码调用了Match对象的groups()方法，该方法返回一个包含所有匹配分组的元组。在您的正则表达式中，有三个分组：

   • 第一个分组([A-Z0-9._%+-]+)匹配电子邮件地址的用户名部分。
   • 第二个分组([A-Z0-9.-]+)匹配电子邮件地址的域名部分。
   • 第三个分组([A-Z]{2,4})匹配电子邮件地址的顶级域名部分。

带有分组功能的findall

对于带有分组功能的模式，findall会返回一个元组列表：

In [165]: regex.findall(text)
Out[165]:
[('dave', 'google', 'com'),
 ('steve', 'gmail', 'com'),
 ('rob', 'gmail', 'com'),
 ('ryan', 'yahoo', 'com')]

sub还能通过诸如\1、\2之类的特殊符号访问各匹配项中的分组。符号\1对应第一个匹配的组，\2对应第二个匹配的组，以此类推：

In [166]: print(regex.sub(r'Username: \1, Domain: \2, Suffix: \3', text))
Dave Username: dave, Domain: google, Suffix: com
Steve Username: steve, Domain: gmail, Suffix: com
Rob Username: rob, Domain: gmail, Suffix: com
Ryan Username: ryan, Domain: yahoo, Suffix: com

pandas矢量化字符串函数

清理待分析的散乱数据时，常常需要做一些字符串规整化工作。更为复杂的情况是，含有字符串的列有时还含有缺失数据：

In [167]: data = {'Dave': 'dave@google.com', 'Steve': 'steve@gmail.com',
   .....:         'Rob': 'rob@gmail.com', 'Wes': np.nan}
In [168]: data = pd.Series(data)
In [169]: data
Out[169]: 
Dave     dave@google.com
Rob        rob@gmail.com
Steve    steve@gmail.com
Wes                  NaN
dtype: object
In [170]: data.isnull()
Out[170]: 
Dave     False
Rob      False
Steve    False
Wes       True
dtype: bool

通过data.map，所有字符串和正则表达式方法都能被应用于（传入lambda表达式或其他函数）各个值，但是如果存在NA（null）就会报错。为了解决这个问题，Series有一些能够跳过NA值的面向数组方法，进行字符串操作。通过Series的str属性即可访问这些方法。例如，我们可以通过str.contains检查各个电子邮件地址是否含有”gmail”：

In [171]: data.str.contains('gmail')
Out[171]: 
Dave     False
Rob       True
Steve     True
Wes        NaN
dtype: object

也可以使用正则表达式，还可以加上任意re选项（如IGNORECASE）：

In [172]: pattern
Out[172]: '([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\\.([A-Z]{2,4})'
In [173]: data.str.findall(pattern, flags=re.IGNORECASE)
Out[173]: 
Dave     [(dave, google, com)]
Rob        [(rob, gmail, com)]
Steve    [(steve, gmail, com)]
Wes                        NaN
dtype: object

有两个办法可以实现矢量化的元素获取操作：要么使用str.get，要么在str属性上使用索引：

In [174]: matches = data.str.match(pattern, flags=re.IGNORECASE)
In [175]: matches
Out[175]: 
Dave     True
Rob      True
Steve    True
Wes       NaN
dtype: object

要访问嵌入列表中的元素，我们可以传递索引到这两个函数中：

In [176]: matches.str.get(1)
Out[176]: 
Dave    NaN
Rob     NaN
Steve   NaN
Wes     NaN
dtype: float64
In [177]: matches.str[0]
Out[177]: 
Dave    NaN
Rob     NaN
Steve   NaN
Wes     NaN
dtype: float64

你可以利用这种方法对字符串进行截取：

In [178]: data.str[:5]
Out[178]: 
Dave     dave@
Rob      rob@g
Steve    steve
Wes        NaN
dtype: object