一. 文本数据简介

1）定义

指不能参与算术运算的任何字符，也称为字符型数据。如英文字母、汉字、不作为数值使用的数字(以单引号开头)和其他可输入的字符。

文本数据虽不能参加算术运算，但其具有纬度高、量大且语义复杂等特点，因此在进行数据分析的时候需要重视这类型数据。

2）类型

Pandas用来代表文本数据类型主要有两种：string和object。object一般为NumPy的数组，string为最常规的文本数据。

最常用的还是使用string来存储文本文件，但是使用dataframe和series进行数据处理转换的时候object数据类型又用的多。

在Pandas1.0版本之前只有object类型，这会导致字符数据和非字符数据全部都以object方式存储，导致处理混乱。而后续版本优化加入了String更好的区分了处理文本数据的耦合问题。目前的object类型依旧是文本数据和数组类型的string数据，但是Pandas为了后续的兼容性依旧将object类型设为默认的文本数据存储类型。

根据MBA智库百科，string与object之间有三大区别：

1. 字符存取方法（string accessor methods）string会返回相应数据的Nullable类型，object会随缺失值的存在而改变返回类型。
2. 某些Series方法不能在string上使用。例如： Series.str.decode()，因为存储的是字符串而不是字节
3. string类型在缺失值存储或运算时，类型会广播为pd.NA，而不是浮点型np.nan。

二. 字符操作

0）举例数据

1）大小写变换

（a）lower()：全部小写

（b）upper()：全部大写

（c）capitalize()：首字符大写

（d）swapcase()：大小写互换

2）文本对齐

（a）center()：中间补齐

#居中对齐，宽度为10，其余用’?’填充

（b）ljust()：右边补齐

#右对齐，宽度为10，其余用’?’填充

（c）rjust()：左边补齐

#左对齐，宽度为10，其余用’?’填充

（d）pad()：左右补齐

#自定义对齐方式，参数可调整宽度、对齐方向、填充字符

3）文本计数

（a）count()：计算给定单词出现的次数

#计算字符串内b的数量

（b）len()：计算字符串的长度

4）格式判断

（a）isalnum()：是否全部是数字和字母组成

（b）isalpha()：是否全部是字母

（c）isdigit()：是否全部都是数字

（d）isspace()：是否空格

（e）islower()：是否全部小写

（f）isupper()：是否全部大写

（g）istitle()：是否只有首字母为大写，其他字母为小写

（h）isnumeric()：是否是数字

（i）isdecimal()：是否全是数字

三. 文本高级处理

1）文本拆分与切片

（a）split()：切分字符串

按照某个指定的字符作为分割点拆分文本，对文本分隔后会生成一个列表。使用expand参数还可以将分隔内容展开，形成单独的列，n参数可以指定拆分的位置来控制形成几列。

下例以下划线对内容进行了分隔，分隔后每个内容都成为一个列表。分隔对空值不起作用。

（b）slice()：按给定点的开始结束位置切割字符串

其他例子

（c）partition()：把字符串数组切割成为DataFrame

注意切割只是切割成三部分，分隔符前，分隔符，分隔符后

（d）rpartition()：从右切起

2）文本替换

（a）replace()：替换不想要的内容

replace是最常用的替换方法，参数包括：

• pal：为被替代的内容字符串，也可以为正则表达式
• repl：为新内容字符串，也可以是一个被调用的函数
• regex：用于设置是否支持正则，默认是True

（b）repeat()：让原有文本内容重复

repeat可以实现重复替换的功能，参数repeats设置重复的次数。

（c）slice_replace()：使用给定的字符串，替换指定的位置的字符

slice_replace通过切片可以保留或者删除指定的字符，参数如下：

• start：起始位置
• stop：结束位置
• repl：要替换用的新内容

如果没有设置stop，那么start之后全部进行替换；同理如果没设置start，那么stop之前全部进行替换。

3）文本拼接

（a）cat()：拼接字符串

cat可以拼接字符串，参数如下：

• others: 需要拼接的序列，如果为None不设置，就会自动把当前序列拼接为一个字符串
• sep: 拼接用的分隔符
• na_rep: 默认不对空值处理，这里设置空值的替换字符。
• join: 拼接的方向，包括left, right, outer, inner，默认为left

（b）join()：对每个字符都用给定的字符串拼接起来(不常用)

4）文本提取

（a）get()：获取指定位置的字符串

（b）extract()：抽取匹配的字符串出来

extract可以利用正则表达式将文本中的数据提取出来，形成单独的列（注意要加上括号，把你需要抽取的东西标注上）参数如下：

• pat: 通过正则表达式实现一个提取的pattern
• flags: 正则库re中的标识，比如re.IGNORECASE
• expand: 当正则只提取一个内容时，如果expand=True会展开返回一个DataFrame，否则返回一个Series

5）文本查询

（a）find()：从左边开始，查找给定字符串的所在位置

（b）rfind()：从右边开始，查找给定字符串的所在位置

（c）findall()：查找所有符合正则表达式的字符，以数组形式返回

（d）index()：查找给定字符串的位置

注意，如果不存在这个字符串，那么会报错！

（e）rindex()：从右边开始查找，给定字符串的位置

6）文本包含

（a）contains()：是否包含表达式(很常用)

文本包含通过contains方法实现，返回布尔值，一般和loc查询功能配合使用，参数如下：

• pat: 匹配字符串，支持正则表达式
• case: 是否区分大小写，True表示区别
• flags: 正则库re中的标识，比如re.IGNORECASE
• na: 对缺失值填充
• regex: 是否支持正则，默认True支持

（b）match()：检测是否全部匹配给点的字符串或者表达式

（c）startswith()：判断是否以给定的字符串开头

（d）endswith()：判断是否以给定的字符串结束

7）去除空格

（a）strip()：去除前后的空白字符

（b）rstrip()：去除后面的空白字符

（c）Istrip()：去除前面的空白字符

下一期：Pandas时间数据，Bye！