缺失数据和文本数据（尤其是混杂性文本）是数据预处理中比较麻烦的类型，本章节聚焦于文本数据。

理论部分

• 掌握基本正则表达式的用法
• 理解string类型的性质
• 掌握文本类型的5类操作
• 熟悉常见字符串方法

练习部分

• 两道文本数据练习题

import pandas as pd
import numpy as np

string类型的性质

string与object的区别

string类型和object不同之处有三：

1. 字符存取方法（string accessor methods，如str.count）会返回相应数据的Nullable类型，而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
   其余全部内容在当前版本下完全一致，但迎合Pandas的发展模式，我们仍然全部用string来操作字符串

String类型的转换

如果将一个其他类型的容器直接转换string类型可能会出错：

#pd.Series([1,'1.']).astype('string') #报错
#pd.Series([1,2]).astype('string') #报错
#pd.Series([True,False]).astype('string') #报错

当下正确的方法是分两部转换，先转为str型object，在转为string类型：

pd.Series([1,'1.']).astype('str').astype('string')

pd.Series([1,2]).astype('str').astype('string')

pd.Series([True,False]).astype('str').astype('string')

拆分与拼接

str.split方法

分割符与str的位置元素选取

s = pd.Series(['a_b_c', 'c_d_e', np.nan, 'f_g_h'], dtype="string")
s

根据某一个元素分割，默认为空格

s.str.split('_')

这里需要注意split后的类型是object，因为现在Series中的元素已经不是string，而包含了list，且string类型只能含有字符串
对于str方法可以进行元素的选择，如果该单元格元素是列表，那么str[i]表示取出第i个元素，如果是单个元素，则先把元素转为列表在取出

s.str.split('_').str[1]

pd.Series(['a_b_c', ['a','b','c']], dtype="object").str[1]
#第一个元素先转为['a','_','b','_','c']

其他参数

expand参数控制了是否将列拆开，n参数代表最多分割多少次

s.str.split('_',expand=True)

s.str.split('_',n=1)

s.str.split('_',expand=True,n=1)

str.cat方法

不同对象的拼接模式

cat方法对于不同对象的作用结果并不相同，其中的对象包括：单列、双列、多列
① 对于单个Series而言，就是指所有的元素进行字符合并为一个字符串

s = pd.Series(['ab',None,'d'],dtype='string')
s

s.str.cat()

其中可选sep分隔符参数，和缺失值替代字符na_rep参数

s.str.cat(sep=',')

s.str.cat(sep=',',na_rep='*')

② 对于两个Series合并而言，是对应索引的元素进行合并

s2 = pd.Series(['24',None,None],dtype='string')
s2

s.str.cat(s2)

同样也有相应参数，需要注意的是两个缺失值会被同时替换

s.str.cat(s2,sep=',',na_rep='*')

③ 多列拼接可以分为表的拼接和多Series拼接
表的拼接

s.str.cat(pd.DataFrame({0:['1','3','5'],1:['5','b',None]},dtype='string'),na_rep='*')

s.str.cat([s+'0',s*2])

cat中的索引对齐

当前版本中，如果两边合并的索引不相同且未指定join参数，默认为左连接，设置join=‘left’

s2 = pd.Series(list('abc'),index=[1,2,3],dtype='string')
s2

s.str.cat(s2,na_rep='*')

替换

广义上的替换，就是指str.replace函数的应用，fillna是针对缺失值的替换，上一章已经提及
提到替换，就不可避免地接触到正则表达式，这里默认读者已掌握常见正则表达式知识点，若对其还不了解的，可以通过这份资料来熟悉

子串匹配与提取

1. str.extract方法
2. str.extractall方法
3. str.contains和str.match

常用字符串方法

1. 过滤型方法
   （a）str.strip
   （b）str.lower和str.upper
   （c）str.swapcase和str.capitalize
2. isnumeric方法

问题与练习

问题

问题一
str对象方法和df/Series对象方法有什么区别？

问题二
给出一列string类型，如何判断单元格是否是数值型数据？

问题三
rsplit方法的作用是什么？它在什么场合下适用？

问题四
在本章的第二到第四节分别介绍了字符串类型的5类操作，请思考它们各自应用于什么场景？

练习

练习一
现有一份关于字符串的数据集，请解决以下问题：
（a）现对字符串编码存储人员信息（在编号后添加ID列），使用如下格式：“×××（名字）：×国人，性别×，生于×年×月×日”
（b）将（a）中的人员生日信息部分修改为用中文表示（如一九七四年十月二十三日），其余返回格式不变。
（c）将（b）中的ID列结果拆分为原列表相应的5列，并使用equals检验是否一致。

pd.read_csv('data/String_data_one.csv',index_col='人员编号').head()

人员编号	姓名	国籍	性别	出生年	出生月	出生日
1	aesfd	2	男	1942	8	10
2	fasefa	5	女	1985	10	4
3	aeagd	4	女	1946	10	15
4	aef	4	男	1999	5	13
5	eaf	1	女	2010	6	24

练习二】
现有一份半虚拟的数据集，第一列包含了新型冠状病毒的一些新闻标题，请解决以下问题：
（a）选出所有关于北京市和上海市新闻标题的所在行。
（b）求col2的均值。
（c）求col3的均值。

pd.read_csv('data/String_data_two.csv').head()

—	col1	col2	col3
0	鄂尔多斯市第2例确诊患者治愈出院	19	363.6923
1	云南新增2例，累计124例	-67	-152.281
2	武汉协和医院14名感染医护出院	-86	325.6221
3	山东新增9例，累计307例	-74	-204.9313
4	上海开学日期延至3月	-95	4.05