1 簡介

在日常開展數(shù)據(jù)分析的過程中，我們經(jīng)常需要對(duì)字符串類型數(shù)據(jù)進(jìn)行處理，此類過程往往都比較繁瑣，而pandas作為表格數(shù)據(jù)分析利器，其內(nèi)置的基于Series.str訪問器的諸多針對(duì)字符串進(jìn)行處理的方法，以及一些top-level級(jí)的內(nèi)置函數(shù)，則可以幫助我們大大提升字符串型數(shù)據(jù)處理的效率。

本文我就將帶大家學(xué)習(xí)pandas中常用的一些高效字符串處理方法，提升日常數(shù)據(jù)處理分析效率??：

2 pandas常用字符串處理方法

pandas中的常用字符串處理方法，可分為以下幾類：

2.1 拼接合成類方法

這一類方法主要是基于原有的Series數(shù)據(jù)，按照一定的規(guī)則，利用拼接或映射等方法合成出新的Series，主要有：

2.1.1 利用join()方法按照指定連接符進(jìn)行字符串連接

當(dāng)原有的Series中每個(gè)元素均為列表，且列表中元素均為字符串時(shí)，就可以利用str.join()來將每個(gè)列表按照指定的連接符進(jìn)行連接，主要參數(shù)有：

「sep：」?str型，必選，用于設(shè)置連接符

它除了可以簡化我們常規(guī)使用apply()配合'連接符'.join(列表)實(shí)現(xiàn)的等價(jià)過程之外，還可以在列表中包含非字符型元素時(shí)自動(dòng)跳過此次拼接返回缺失值，譬如下面的例子：

s?=?pd.Series([
????['a',?'b',?'c'],
????[1,?'a',?'b'],
????list('pandas')
])

s.str.join('-')

2.1.2 利用cat()方法進(jìn)行字符串拼接

當(dāng)需要對(duì)整個(gè)序列進(jìn)行拼接，或者將多個(gè)序列按位置進(jìn)行元素級(jí)拼接時(shí)，就可以使用str.cat()方法來加速這個(gè)過程，其主要參數(shù)有：

「others：」?序列型，可選，用于傳入待進(jìn)行按位置元素級(jí)拼接的字符串序列對(duì)象
「sep：」?str型，可選，用于設(shè)置連接符，默認(rèn)為''
「na_rep：」?str型，可選，用于設(shè)置對(duì)缺失值的替換值，默認(rèn)為None時(shí)：

當(dāng)others參數(shù)未設(shè)置時(shí)，返回的拼接結(jié)果中缺失項(xiàng)自動(dòng)跳過
當(dāng)others參數(shù)設(shè)置時(shí)，兩邊的序列對(duì)應(yīng)位置上存在缺失值時(shí)，拼接結(jié)果對(duì)應(yīng)位置返回缺失值

下面是一些簡單的例子：

2.2 判斷類方法

判斷類方法在這里指的是針對(duì)字符型Series，按照一定的條件判斷從而返回與原序列等長的bool型序列，可進(jìn)一步輔助數(shù)據(jù)篩選等操作，在pandas中此類字符串處理方法主要有：

2.2.1 利用startswith()與endswith()匹配字符串首尾

當(dāng)我們需要判斷字符型Series中的每個(gè)元素是否以某段字符片段開頭或結(jié)尾時(shí)，就可以使用到startswith()/endswith()，它們的參數(shù)一致：

「pat：」?str型，用于定義要檢查的字符片段
「na：」?任意對(duì)象，當(dāng)對(duì)應(yīng)位置元素為空值時(shí)，用于自定義該位置返回判斷結(jié)果，默認(rèn)為NaN，會(huì)原值返回，通常建議設(shè)置為False

下面是一些簡單的例子：

2.2.2 利用contains()判斷是否包含指定模式

當(dāng)我們想要判斷字符型Series中每個(gè)元素，是否包含指定的字符片段或正則模式時(shí)，則可以使用到str.contains()方法，其主要參數(shù)有：

「pat：」?str型，必選，用于定義要檢查的字符模式，當(dāng)regex=True時(shí)表示正則表達(dá)式，當(dāng)regex=False時(shí)，表示原始字符串片段
「flags：」?int型，可選，對(duì)應(yīng)re模塊中的flags參數(shù)，用于配合正則表達(dá)式模式，實(shí)現(xiàn)更多功能，譬如re.IGNORECASE即代表大小寫忽略
「na：」?用于自定義遇到缺失值時(shí)返回的對(duì)象，通常建議設(shè)置為False
「regex：」?bool型，用于設(shè)置是否將pat參數(shù)視為正則表達(dá)式進(jìn)行解析，默認(rèn)為True

下面是一些簡單的例子：

2.2.3 利用match()判斷是否以指定正則模式開頭

類似前面介紹的startswith()，不同的是，match()支持正則表達(dá)式，可以幫助掌握正則表達(dá)式的用戶拓展匹配能力，其主要參數(shù)有：

「pat：」?str型，必選，用于定義要檢查的字符模式，當(dāng)regex=True時(shí)表示正則表達(dá)式，當(dāng)regex=False時(shí)，表示原始字符串片段
「flags：」?int型，可選，對(duì)應(yīng)re模塊中的flags參數(shù)，用于配合正則表達(dá)式模式，實(shí)現(xiàn)更多功能，譬如re.IGNORECASE即代表大小寫忽略
「na：」?用于自定義遇到缺失值時(shí)返回的對(duì)象，通常建議設(shè)置為False

下面是一些簡單的例子：

2.2.4 利用fullmatch()判斷字符串是否完整滿足指定正則模式

上面介紹的match()局限性在于只能從開頭匹配是否滿足指定正則表達(dá)式，而從pandas1.1.0版本開始，新增了fullmatch()方法，可以幫助我們傳入正則表達(dá)式來判斷目標(biāo)字符串是否可以「完全匹配」，其參數(shù)同match()，下面是一個(gè)簡單的例子：

2.3 生成型方法

「生成型」方法這里指的是，基于原有的單列字符型Series數(shù)據(jù)，按照一定的規(guī)則產(chǎn)生出新計(jì)算結(jié)果的一系列方法，pandas中常用的有：

2.3.1 利用slice()進(jìn)行字符切片

當(dāng)我們想要對(duì)字符型Series進(jìn)行元素級(jí)的切片操作時(shí)，就可以用到str.slice()，其三個(gè)參數(shù)依次為start、stop和step，分別代表切片的開始下標(biāo)、結(jié)束下標(biāo)與步長，與Python原生的切片方式一致，下面是一些簡單的例子（也可以直接使用類似Python中[start:stop:step]）：

2.3.2 利用replace()對(duì)指定字符片段或正則模式進(jìn)行替換

當(dāng)我們希望對(duì)字符型Series進(jìn)行元素級(jí)的字符片段/正則模式替換時(shí)，就可以使用到str.replace()方法，其除了常規(guī)的pat、flags、regex等參數(shù)外，還有特殊的參數(shù)n用于設(shè)置每個(gè)元素字符串（默認(rèn)為-1即不限制次數(shù)），參數(shù)repl用于設(shè)置填充的新內(nèi)容，從開頭開始總共替換幾次，下面是一些簡單的例子：

2.3.3 利用split()按照指定字符片段或正則模式拆分字符串

利用str.split()方法，我們可以基于指定的字符片段或正則模式對(duì)原始字符Series進(jìn)行元素級(jí)拆分，主要參數(shù)有pat、n，同上文類似的參數(shù)設(shè)定，另外還有特殊參數(shù)expand來設(shè)定對(duì)于是否以DataFrame中不同列的形式存儲(chǔ)拆分結(jié)果，默認(rèn)為False。下面是一些簡單的例子：