# 字符串的向量化操作

数据科学的处理离不开字符串的处理，相应的pandas也提供了字符串向量化操作的功能，我们一般利用这个来对采集来的信息进行清理。

我们可以使用python的方式来处理字符串，但是一旦字符串中包含缺省值，此时，使用pandas的字符串向量化功能就能避免出现崩溃的情况。


```python
#
import pandas as pd

strs = ['One', "Two", "Three", None, "Four"]
strs = pd.Series(strs)
print(strs)

```

    0      One
    1      Two
    2    Three
    3     None
    4     Four
    dtype: object


## 字符串向量化应用初步


```python
#对字符串进行大写转换
s = strs.str.upper()
print(s)

# 对字符串进行小写转换
ss = strs.str.lower()
print("\n\n", ss)
```

    0      ONE
    1      TWO
    2    THREE
    3     None
    4     FOUR
    dtype: object
    
    
     0      one
    1      two
    2    three
    3     None
    4     four
    dtype: object


## 其他pandas字符串方法

python中字符串的方法基本上可以直接应用在pandas中，需要注意的是返回值的不同，需要相应做出调整，例如判断类的返回的是一个bool值的数据结构，len之类的返回的是一个值。

相应字符串方法不在一一举例，需要的时候可以查看手册。

## 正则表达式

正则是字符串的大杀器，在pandas中同样也实现了正则的一些接口，如以下API：
- match: 调用re.match， 返回bool类型内容
- extract: 调用re.match, 返回匹配的字符串组groups
- findall： 调用re.findall
- replace: 正则的替换模式
- contains： re.search，返回bool内容
- count： 利用正则模式统计数量
- split：等价于 str.split， 支持正则
- rsplit： 等价于str.rsplit，支持正则


```python
print("strs = \n", strs)

print()
a = strs.str.extract('([O, o, n, e, N, T ]+)')
print(a)
```

    strs = 
     0      One
    1      Two
    2    Three
    3     None
    4     Four
    dtype: object
    
         0
    0  One
    1    T
    2    T
    3  NaN
    4    o


## 其他字符串的使用方法

pandas还提供了一些其他的方法来实现字符串的操作。

- get: 获取索引位置上的值，start=0
- slice： 对元素进行切片
- slice_replace: 对元素进行切片替换
- cat： 连接字符串
- repeat：重复元素
- normalize： 将字符串转换为Unicode规范形式
- pad： 在字符串的左边，右边或者两边增加空格
- wrap：将字符串按照指定宽度换行
- join： 用分隔符链接Series的每个元素
- get_dummies: 按照分隔符提取每个元素的dummy变量，转换为one-hot编码的DataFrame


```python
# 对slice的使用和函数的直接切片一个效果
# df.str.slice(2,5) 等于 df.str[2:5]
print("strs = \n", strs)

print()

a = strs.str.slice(1,4)
print(a)

print()
# 等价于
b = strs.str[1:4]
print(b)
```

    strs = 
     0      One
    1      Two
    2    Three
    3     None
    4     Four
    dtype: object
    
    0      ne
    1      wo
    2     hre
    3    None
    4     our
    dtype: object
    
    0      ne
    1      wo
    2     hre
    3    None
    4     our
    dtype: object



```python
# df.str.get(i) 和 df.str[i]功能类似

# 以下案例用字母o切分字符串后选择后面的一组
a = strs.str.split('o').str.get(-1)
print(a)

```

    0      One
    1         
    2    Three
    3     None
    4       ur
    dtype: object


iii. v. get_dummies

如果数据中包含已经被编码的指标（coded indicator）， 可以使用get_dummies快速的把编码的信息分解。


```python
# 假定： A=游泳， B=爬山， C=跑步， D=篮球

df = pd.DataFrame({'english':strs,
                 'hobbies':["B|C", "A|C|D", "B|D", "A|B|C", "A|B|C|D"]})
print(df)

print()

a = df['hobbies'].str.get_dummies('|')
print(a)

```

      english  hobbies
    0     One      B|C
    1     Two    A|C|D
    2   Three      B|D
    3    None    A|B|C
    4    Four  A|B|C|D
    
       A  B  C  D
    0  0  1  1  0
    1  1  0  1  1
    2  0  1  0  1
    3  1  1  1  0
    4  1  1  1  1