Pandas 字符数据的处理方法
在商业数据表中，经常需要处理字符型的数据，而 pandas 中的 Series.str属性就有几下几十种方法可以处理字符串数据。
Series.str.extract()
str.extract()，可用正则从字符数据中抽取匹配的数据，注意要加上括号， 只返回第一个匹配的数据（要将自己要提取的内容加上括号，括号外的不提取）
注意，正则表达式中必须有分组，只是返回分组中的数据，如果给分组取了名称，则该名称就是返回结果中的字段名。
Series.str.extract(pat, flags=0, expand=None)
参数:
pat: 字符串或正则表达式flags: 整型,expand: 布尔型,是否返回DataFrame当字符串中含有多个要提取的变量时，
expand=True会将其分割为多列Returns: 数据框dataframe/索引index
for i in df:
df['Title']=df_raw['Name'].str.extract('([A-Za-z]+)\.', expand=False)
str.extractall()
Series.str.extractall(pat, flags=0)
返回所有匹配的字符 参数:
pat: 字符串或正则表达式flags: 整型 返回值:
Series.str.cat()
Series.str.cat(others=None, sep=None, na_rep=None)
用给定的字符链接序列或索引中的字符串 返回：合并后的序列 注：当na_rep为None，序列中的nan值将被忽略，如果指定，将用该字符代替
>>> df.index.str.cat(['1','2','3'],sep = ',')
Index(['f,1', 'g,2', 'h,3'], dtype='object')
>>> df.index.str.cat([['1','2','3'],['4','5','6']],sep='*')
Index(['f*1*4', 'g*2*5', 'h*3*6'], dtype='object')
>>> df.index.str.cat(sep='*')
'f*g*h'
>>>
Series.str.get()
获取指定位置的字符串
Series.str.contains()
是否包含表达式
Series.str.contains(pat, case=True, flags=0, na=nan, regex=True)
判断给定的字符串或者正则表达式是否在序列或者索引中 返回：bool
>>> df
a b hh
f 1 4 d
g 2 5 f
h 3 6 g
>>> df['hh'].str.contains('f')
f False
g True
h False
Name: hh, dtype: bool
参数 na 当数据中有空值的时候 处理的策略
mapping = {'liucixin': '刘慈欣|大刘', 'guofan': '郭帆', 'quchuxiao': '屈楚萧|刘启|户口', 'wujing': '吴京|刘培强',
'liguangjie': '李光洁|王磊', 'wumengda': '吴孟达|达叔|韩子昂', 'zhaojinmai': '赵今麦|韩朵朵'}
for key, value in mapping.items():
data[key] = data['content'].str.contains(value,na=False)
处理后得到结果 全部为 bool 类型的值， 不包含 NA/ 等空值
Series.str.count()
Series.str.count(pat, flags=0, **kwargs)
计算pat在序列或者索引字符串中出现的次数
>>> df['count']=['hello','hello','hel']
>>> df
a b hh count
f 1 4 d hello
g 2 5 f hello
h 3 6 g hel
>>> df['count'].str.count('hel')
f 1
g 1
h 1
Name: count, dtype: int64
>>> df['count'].str.count('l')
f 2
g 2
h 1
Name: count, dtype: int64
Series.str.decode()
Series.str.decode(encoding, errors=’strict’)
对指定的编码方式进行解码（‘utf-8’,'gbk'等等）
Series.str.endswith()
Series.str.endswith(pat, na=nan)
判断是否已给定的 pat 结尾
其他
split()切分字符串
str.split()有三个参数：
第一个参数就是引号里的内容：就是分列的依据，可以是空格，符号，字符串等等。
第二个参数就是前面用到的expand=True，这个参数直接将分列后的结果转换成DataFrame。
第三个参数的n=数字就是限制分列的次数 。
就是当用于分列的依据符号在有多个的话需要指定分列的次数（不指定的话就会根据符号有几个分列几次）。
data.auth_capital.sample(5)
"""
411 注册资本：100 万元
735 注册资本：53760 万元人民币
607 注册资本：1476.92万元人民币
464 注册资本：22.3464万元人民币
12 注册资本：430077.1898万人民币元
"""
auth_capital = data['auth_capital'].str.split('：', expand = True)
auth_capital.sample(5)
join()对每个字符都用给点的字符串拼接起来，不常用
replace()替换
repeat() 重复
pad() 左右补齐
>>> s.str.pad(10, fillchar="?")
0 ?????a_b_c
1 ?????c_d_e
2 NaN
3 ?????f_g_h
dtype: object
>>>
>>> s.str.pad(10, side="right", fillchar="?")
0 a_b_c?????
1 c_d_e?????
2 NaN
3 f_g_h?????
dtype: object
slice() 按给定的开始结束位置切割字符串
>>> s.str.slice(1,3)
0 _b
1 _d
2 NaN
3 _g
dtype: object
slice_replace()使用给定的字符串，替换指定的位置的字符
>>> s.str.slice_replace(1, 3, "?")
0 a?_c
1 c?_e
2 NaN
3 f?_h
dtype: object
>>> s.str.slice_replace(1, 3, "??")
0 a??_c
1 c??_e
2 NaN
3 f??_h
dtype: object
findall()
查找所有符合正则表达式的字符，以数组形式返回
>>> s.str.findall("[a-z]");
0 [a, b, c]
1 [c, d, e]
2 NaN
3 [f, g, h]
dtype: object
partition()
把字符串数组切割称为DataFrame，注意切割只是切割称为三部分，分隔符前，分隔符，分隔符后
rpartition()
从右切起
lower()
全部小写
upper()
全部大写
参考