字符串操作

由于Python在字符串和文本操作上的便利性，使Python成为一个流行的原生数据集操作语言已经有很长时间了。字符串对象的内建方法使得大部分文本操作非常简单。对于更为复杂的模式匹配和文本操作，正则表达式可能是需要的。

1、字符串对象方法

在很多字符串处理和脚本应用中，内建的字符串方法是足够的。例如，一个逗号分隔的字符串可以使用split方法拆分成多块：

split常和strip一起使用，用于清除空格（包括换行）：

这些子字符串可以使用加法与两个冒号分隔符连接在一起：

但是这并不是一个实用的通用方法。在字符串’ : : ’的join方法中传入一个列表或元组是一种更快且更加Pythonic（Python风格化）的方法：

其他方法涉及定位子字符串。使用Python的in关键字是检测子字符串的最佳方法，尽管index和find也能实现同样的功能：

相关地，count返回的是某个特定的子字符串在字符串中出现的次数：

replace将用一种模式替代另一种模式。它通常也用于传入空字符串来删除某个模式。

下表是一些Python字符串方法的列表。

2、正则表达式

正则表达式提供了一种在文本中灵活查找或匹配（通常更为复杂的）字符串模式的方法。单个表达式通常被称为regex，是根据正则表达式语言形成的字符串。Python内建的re模块是用于将正则表达式应用到字符串上的库。

re模块主要有三个主题：模式匹配、替代、拆分。当然，这三部分主题是相关联的。一个正则表达式描述了在文本中需要定位的一种模式，可以用于多种目标。

当你调用re.split(‘\s+’, text)，正则表达式首先会被编译，然后正则表达式的split方法在传入文本上被调用。你可以使用re.compile自行编译，形成一个可复用的正则表达式对象：

如果想获得的是一个所有匹配正则表达式的模式的列表，你可以使用findall方法：

注意：为了在正则表达式中避免转义符\的影响，可以使用原生字符串语法，比如r’C:\x’或者用等价的’C:\x’。

match和search与findall相关性很大。findall返回的是字符串中所有的匹配项，而search返回的仅仅是第一个匹配项。match更为严格，它只在字符串的起始位置进行匹配。

在文本上使用findall会生成一个电子邮件地址的列表：

search返回的是文本中第一个匹配到的电子邮件地址。对于前面提到的正则表达式，匹配对象只能告诉我们模式在字符串中起始和结束的位置：

3、pandas中的向量化字符串函数

清理杂乱的数据集用于分析通常需要大量的字符串处理和正则化。包含字符串的列有时会含有缺失数据，使事情变得复杂：

可以使用data.map将字符串和有效的正则表达式方法（以lambda或其他函数的方式传递）应用到每个值上，但是在NA（null）值上会失败。为了解决这个问题，Series有面向数组的方法用于跳过NA值的字符串操作。这些方法通过Series的str属性进行调用，例如，我们可以通过str.contains来检查每个电子邮件地址是否含有’gmail’：

下表中有更多pandas字符串方法。

Python 数据转换分层索引