Python之所以能夠成為流行的數據分析語言，有一部分原因在於其簡潔易用的字元串處理能力。 Python的字元串對象封裝了很多開箱即用的內置方法，處理單個字元串時十分方便；對於Excel、csv等表格文件中整列的批量字元串操作，pandas庫也提供了簡潔高效的處理函數，幾乎與內置字元串函數一一對應。 ...
Python之所以能夠成為流行的數據分析語言，有一部分原因在於其簡潔易用的字元串處理能力。
Python的字元串對象封裝了很多開箱即用的內置方法，處理單個字元串時十分方便；對於Excel、csv等表格文件中整列的批量字元串操作，pandas庫也提供了簡潔高效的處理函數，幾乎與內置字元串函數一一對應。也就是說：
-
單個字元串處理，用Python內置的字元串方法；
-
表格整列的字元串處理，用pandas庫中的字元串函數；
本文就以常用的數據處理需求，來對比使用以上兩種方式的異同，從而加深對Python和pandas字元串操作的理解。（本文所有數據都是為了演示用的假數據，切勿當真！）
)
一、替換（去除空格）
場景：在問卷收集的姓名欄位中，不少填寫者會誤輸入空格，造成數據匹配不一致的問題。
Python
names = '劉 備、關 羽、 張 飛、趙 雲、馬 超、黃 忠'
names = names.replace(' ','')
print(names)
output
劉備、關羽、張飛、趙雲、馬超、黃忠
pandas
df['姓名'] = df['姓名'].str.replace(' ','')
output
二、分列
場景：在問卷收集數據的時候，多選題的數據往往是帶有分隔符的。在分類彙總前往往需要按分隔符進行分列。
Python
hobbyStr = "足球┋排球┋羽毛球┋籃球"
hobbyList = hobbyStr.split('┋')
output
['足球', '排球', '羽毛球', '籃球']
pandas
# 利用split進行分列，expand = True 返回dataframe；expand=False返回Series
hobbyDf = df['愛好'].str.split('|', expand=True)
# 將hobbyDf 與 df安裝索引合併
df2 = pd.merge(df, hobbyDf, how="left", left_index=True, right_index=True)
三、切片：截取數據
字元串是由一個個字元組成的序列，在Python中可以直接對字元串進行切片操作，來進行截取數據。
如“XX市四季家園二區22幢203室”，可以看作是下圖中16個字元值組成的序列。而切片的語法是：
Python
addressStr = "XX市四季家園二區22幢203室"
print(f"城市：{addressStr[:3]}")
print(f"小區：{addressStr[3:9]}")
output
城市：XX市
小區：四季家園二區
pandas
-
提取城市名稱，由於城市名稱的字數相同，可以直接切片截取前三個。
df["城市"] = df["地址"].str[:3]
-
提取小區名，稍有點複雜。因為小區名稱長度是不一樣長的。可以利用字元串處理的天花板： 正則表達式。詳細處理方法，見下文五、正則表達式示例1。
四、補齊數據
有時候，我們在電腦中按文件名排序的時候，你可能會遇到下麵的情況：
在不同系統中，我們希望是按數值排序，但偏偏系統卻是按字元排序的，如某些車載播放器中。比較好的解決方法就是在前面添加0，補齊數據位數。數據量大的時候，手動修改很麻煩，Python字元串處理的zfill()函數就可以解決這個問題。
Python
myStr = "1章節"
print(myStr.zfill(4)) # 整個字元串補齊到4位
output
01章節
pandas
df["新文件名"] = "第"+df["文件名"].str[1:].str.zfill(8)
配合os.rename()便可以批量重命名。關鍵代碼如下
df.apply(lambda x: os.rename( path + x["文件名"], path + x["新文件名"]), axis=1)
五、正則表達式
遇到複雜的字元串處理需求時，Python有優勢就可以體現出來了。因為python和pandas有一個超強的字元串處理武器：正則表達式。正則表達式可以匹配字元串的格式特點，如電子郵箱的地址格式、網址的地址格式、電話號碼格式等。如何寫好正則表達式，這是一門精深的學問，本文介紹幾個正則表達式的常用案例，淺嘗輒止。
註：Python預設不支持正則表達式語法，而pandas直接支持正則表達式語法，這裡重點介紹pandas處理表格數據。
1.提取長度不一樣的小區名
思路：
-
提取上面小區名，可以歸納一下地址中小區名的格式特點：
蘇州市之後，幢號數字之前的中文字元。 -
Series的str.extract()，可用正則從字元數據中抽取匹配的數據；
## 匹配中文字元的正則表達式： [\u4e00-\u9fa5]
pattern = r'蘇州市([\u4e00-\u9fa5]+)[0-9]+幢'
df["小區"] = df["地址"].str.extract(pattern, expand=False)
2.提取幾幢幾室
思路：幾幢幾室，格式都是數字+幢和數字+室
-
數字可以用 [0-9]或\d來匹配； -
+表示1個或多個。
pattern = r'([0-9]+)幢'
df["幢號"] = df["地址"].str.extract(pattern, expand=False)
pattern = r'(\d+)室'
df["室號"] = df["地址"].str.extract(pattern, expand=False)
六、apply函數
apply 函數：可以對DateFrame進行逐行或逐列進行處理。
1.增加一列，將幢號按照奇偶數分類
將幢號為奇數的為A區，偶數的為B區
# 定義處理的函數，共apply函數調用，傳入的參數為一個Series對象
def my_func(series):
if (series["幢號"]) % 2 != 0:
return "A區"
else:
return "B區"
df["幢號分類"] = df.apply(my_func, axis=1)
上述代碼中apply函數，有兩個參數
-
第一個參數：處理邏輯的函數名。主要傳入名稱，這裡為 my_func； -
第二個參數： axis = 1，表示按列處理。即傳入的是每一行的Series。
output
2.增加一列，字典映射
def my_func2(series):
# 映射字典，key為小區名，value為小區稱號
my_dict = {
'吉祥如意家園': '最佳好運小區',
'科技村': '最佳科創小區',
'四季家園': '最佳風光小區',
'萬象更新家園': '最佳風采小區',
}
# 每一行小區名稱，切片截取至倒數第2個，即-2
nameKey = series['小區'][:-2]
return my_dict[nameKey]
df["小區稱號"] = df.apply(my_func2, axis=1)
output
結語
本文演示的字元串操作：替換、分列、切片截取、補齊數據、正則表達式、apply()函數常見於數據分析的數據清洗環節，替換、分列、切片截取在Excel中也很容易實現，正則表達式可以說是Python處理複雜字元串問題的一大利器，apply()函數可以實現自定義函數處理表格型的數據，十分靈活、威力巨大。由於篇幅有限，正則表達式、apply()函數本文就點到為止，今後值得整理更多相關案例。
