文章目录
- 7.3 String Manipulation（字符串处理）
- 1 String Object Methods（字符串对象方法）
- 2 Regular Expressions（正则表达式）
- 3 Vectorized String Functions in pandas（pandas中的字符串向量化函数）
7.3 String Manipulation（字符串处理）
python很多内建方法很适合处理string。而且对于更复杂的模式，可以配合使用正则表达式。而pandas则混合了两种方式。
1 String Object Methods（字符串对象方法）
大部分string处理，使用内建的一些方法就足够了。比如，可以用split来分割用逗号区分的字符串：
val = 'a,b, guido'
val.split(',')
['a', 'b', ' guido']
split经常和strip一起搭配使用来去除空格（包括换行符）:
pieces = [x.strip() for x in val.split(',')]
pieces
['a', 'b', 'guido']
可以使用+号把::和字符串连起来：
first, second, third = pieces
first + '::' + second + '::' + third
'a::b::guido'
但这种方法并不python，更快的方法是直接用join方法：
'::'.join(pieces)
'a::b::guido'
其他一些方法适合锁定子字符串位置相关的。用in关键字是检测substring最好的方法，当然，index和find也能完成任务：
'guido' in val
True
val.index(',')
1
val.find(':')
-1
注意index和find的区别。如果要找的string不存在的话，index会报错。而find会返回-1:
val.index(':')
---------------------------------------------------------------------------ValueError Traceback (most recent call last)<ipython-input-11-280f8b2856ce> in <module>()
----> 1 val.index(':')ValueError: substring not found
count会返回一个substring出现的次数：
val.count(',')
2
replace会取代一种出现方式（pattern）。也通常用于删除pattern，传入一个空字符串即可：
val.replace(',', '::')
'a::b:: guido'
val.replace(',', '')
'ab guido'
2 Regular Expressions（正则表达式）
正则表达式能让我们寻找更复杂的pattern。通常称一个表达式为regex，由正则表达语言来代表一个字符串模式。可以使用python内建的re模块来使用。
关于正则表达式，有很多教学资源，可以自己找几篇来学一些，这里不会介绍太多。
re模块有以下三个类别：patther matching（模式匹配）, substitution（替换）, splitting（分割）。通常这三种都是相关的，一个regex用来描述一种pattern，这样会有很多种用法。这里举个例子，假设我们想要根据空格（tabs，spaces，newlines）来分割一个字符串。用于描述一个或多个空格的regex是\s+:
import re
text = "foo bar\t baz \tqux"
re.split('\s+', text)
['foo', 'bar', 'baz', 'qux']
当调用re.split('\s+', text)的时候，正则表达式第一次被compile编译，并且split方法会被调用搜索text。我们可以自己编译regex，用re.compile，可以生成一个可以多次使用的regex object：
regex = re.compile('\s+')
regex.split(text)
['foo', 'bar', 'baz', 'qux']
如果想要得到符合regex的所有结果，以一个list结果返回，可以使用findall方法：
regex.findall(text)
[' ', '\t ', ' \t']
为了防止\在正则表达式中的逃逸，推荐使用raw string literal，比如
r'C:\x'，而不是使用'C:\\x
使用re.compile创建一个regex object是被强烈推荐的，如果你打算把一个表达式用于很多string上的话，这样可以节省CPU的资源。
match和search，与findall关系紧密。不过findall会返回所有匹配的结果，而search只会返回第一次匹配的结果。更严格地说，match只匹配string开始的部分。这里举个例子说明，我们想要找到所有的邮件地址：
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)
使用findall找到一组邮件地址：
regex.findall(text)
['dave@google.com', 'steve@gmail.com', 'rob@gmail.com', 'ryan@yahoo.com']
search返回text中的第一个匹配结果。match object能告诉我们找到的结果在text中开始和结束的位置：
m = regex.search(text)
m
<_sre.SRE_Match object; span=(5, 20), match='dave@google.com'>
text[m.start():m.end()]
'dave@google.com'
regex.match返回None，因为它只会在pattern存在于strng开头的情况下才会返回匹配结果：
print(regex.match(text))
None
而sub返回一个新的string，把pattern出现的地方替换为我们指定的string：
print(regex.sub('REDACTED', text))
Dave REDACTED Steve REDACTED Rob REDACTED Ryan REDACTED
假设你想要找到邮件地址，同时，想要把邮件地址分为三个部分，username, domain name, and domain suffix.（用户名，域名，域名后缀）。需要给每一个pattern加一个括号：
pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'
regex = re.compile(pattern, flags=re.IGNORECASE)
match object会返回一个tuple，包含多个pattern组份，通过groups方法：
m = regex.match('wesm@bright.net')
m.groups()
('wesm', 'bright', 'net')
findall会返回a list of tuples:
regex.findall(text)
[('dave', 'google', 'com'),('steve', 'gmail', 'com'),('rob', 'gmail', 'com'),('ryan', 'yahoo', 'com')]
sub也能访问groups的结果，不过要使用特殊符号 \1, \2。\1表示第一个匹配的group，\2表示第二个匹配的group，以此类推：
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
3 Vectorized String Functions in pandas（pandas中的字符串向量化函数）
一些复杂的数据清理中，string会有缺失值：
import numpy as np
import pandas as pd
data = {'Dave': 'dave@google.com', 'Steve': 'steve@gmail.com', 'Rob': 'rob@gmail.com', 'Wes': np.nan}
data = pd.Series(data)
data
Dave dave@google.com
Rob rob@gmail.com
Steve steve@gmail.com
Wes NaN
dtype: object
data.isnull()
Dave False
Rob False
Steve False
Wes True
dtype: bool
可以把一些字符串方法和正则表达式（用lambda或其他函数）用于每一个value上，通过data.map，但是这样会得到NA(null)值。为了解决这个问题，series有一些数组导向的方法可以用于字符串操作，来跳过NA值。这些方法可以通过series的str属性；比如，我们想检查每个电子邮箱地址是否有'gmail' with str.contains:
data.str
<pandas.core.strings.StringMethods at 0x111f305c0>
data.str.contains('gmail')
Dave False
Rob True
Steve True
Wes NaN
dtype: object
正则表达式也可以用，配合任意的re选项，比如IGNORECASE：
pattern
'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\\.([A-Z]{2,4})'
data.str.findall(pattern, flags=re.IGNORECASE)
Dave [(dave, google, com)]
Rob [(rob, gmail, com)]
Steve [(steve, gmail, com)]
Wes NaN
dtype: object
有很多方法用于向量化。比如str.get或index索引到str属性：
matches = data.str.match(pattern, flags=re.IGNORECASE)
matches
/Users/xu/anaconda/envs/py35/lib/python3.5/site-packages/ipykernel/__main__.py:1: FutureWarning: In future versions of pandas, match will change to always return a bool indexer.if __name__ == '__main__':Dave (dave, google, com)
Rob (rob, gmail, com)
Steve (steve, gmail, com)
Wes NaN
dtype: object
为了访问嵌套list里的元素，我们可以传入一个index给函数：
matches.str.get(1)
Dave google
Rob gmail
Steve gmail
Wes NaN
dtype: object
matches.str.get(0)
Dave dave
Rob rob
Steve steve
Wes NaN
dtype: object
也可以使用这个语法进行切片：
data.str[:5]
Dave dave@
Rob rob@g
Steve steve
Wes NaN
dtype: object
)
)
