Der .str-Accessor

Python-Zeichenfolgen verfügen über viele nützliche Methoden wie .lower(), .strip() und .replace(). Sie können diese jedoch nicht direkt auf einer Pandas-Series aus Zeichenfolgen aufrufen – dafür wäre eine Schleife erforderlich. Der .str-Accessor löst dieses Problem, indem er vektorisierte Varianten der integrierten Zeichenfolgenmethoden von Python für eine Series bereitstellt. Die Operation wird auf jedes Element gleichzeitig angewendet, ohne dass Sie eine Schleife schreiben müssen, und fehlende Werte werden korrekt behandelt (für sie wird NaN zurückgegeben).

Eine uneinheitliche Groß- und Kleinschreibung gehört zu den häufigsten Problemen bei der Datenqualität. Der .str-Accessor stellt .lower(), .upper(), .title() (erster Buchstabe jedes Wortes großgeschrieben) und .capitalize() (nur der erste Buchstabe der Zeichenfolge großgeschrieben) bereit. Verwenden Sie .lower() vor Vergleichen und groupby-Operationen, damit 'NYC' und 'nyc' nicht als unterschiedliche Gruppen behandelt werden.

Führender und abschließender Leerraum ist in Anzeigen unsichtbar, führt aber dazu, dass Vergleiche auf exakte Übereinstimmung unbemerkt fehlschlagen. .str.strip() entfernt Leerraum an beiden Enden, .str.lstrip() nur am linken und .str.rstrip() nur am rechten Ende. Sie können auch ein bestimmtes Zeichen zum Entfernen übergeben (z. B. entfernt .str.strip('$') Dollarzeichen).

.str.len() gibt die Anzahl der Zeichen in jedem Zeichenfolgenelement als ganzzahlige Series zurück. Das ist nützlich für Validierungen – etwa um zu prüfen, ob ein Produktcode immer fünf Zeichen lang ist, eine Telefonnummer die richtige Anzahl an Ziffern besitzt oder ein Textfeld nicht verdächtig kurz ist (z. B. nur ein Zeichen enthält, was auf einen Platzhalter hindeuten kann).

.str.startswith() und .str.endswith() geben boolesche Series zurück. Sie sind die übersichtlichste Möglichkeit, Zeilen danach zu filtern, wie ein Zeichenfolgenwert beginnt oder endet – beispielsweise, um alle Bestell-IDs auszuwählen, die mit 'ORD' beginnen, oder alle Dateinamen, die mit '.csv' enden. Beide Methoden akzeptieren außerdem Tupel von Zeichenfolgen, um mehrere Präfixe oder Suffixe gleichzeitig zu prüfen.

.str.contains(pattern) gibt eine boolesche Series zurück, die angibt, ob jedes Element das angegebene Muster enthält. Standardmäßig wird das Muster als regulärer Ausdruck behandelt. Für die Suche nach einer literalen Teilzeichenfolge können Sie jedoch regex=False übergeben. Das Argument na=False behandelt NaN als nicht übereinstimmend, statt NaN an das Ergebnis weiterzugeben.

Wenn eine Series NaN-Werte enthält, geben die meisten .str-Methoden NaN standardmäßig weiter – an den fehlenden Positionen der Ausgabe-Series wird NaN zurückgegeben. Methoden, die boolesche Werte liefern (etwa .str.contains()), geben an fehlenden Positionen standardmäßig NaN zurück. Das kann zu Problemen bei der booleschen Indizierung führen. Verwenden Sie na=False, um NaN als nicht übereinstimmend zu behandeln, oder na=True, um NaN als übereinstimmend zu behandeln.

.str.count(pattern) zählt, wie oft ein Muster in jedem Zeichenfolgenelement vorkommt. Das ist nützlich für Feature Engineering in der Verarbeitung natürlicher Sprache – beispielsweise, um zu zählen, wie oft ein Wort vorkommt, wie viele Ziffern eine Zeichenfolge enthält oder wie viele Kommas die Werte in einem durch Trennzeichen gegliederten Feld voneinander trennen.

Da jede .str-Methode eine neue Series zurückgibt, können Sie mehrere String-Operationen in einem Ausdruck verketten. Dies ist die übersichtlichste Methode, mehrere Bereinigungsschritte auf eine Textspalte anzuwenden: Leerzeichen entfernen, in Kleinbuchstaben umwandeln und Sonderzeichen entfernen – alles in einer einzigen gut lesbaren Zeile. Die Verkettung wird von links nach rechts ausgewertet, wobei jeder Schritt sein Ergebnis an den nächsten weitergibt.

Die Schreibweise .str[n] extrahiert aus jedem String das Zeichen an der Position n, während .str[start:end] einen Teilstring als Slice extrahiert. Dabei handelt es sich um vektorisierte Indizierung von Strings, die sich beispielsweise zum Extrahieren von Codes mit fester Länge eignet – etwa Postleitzahlpräfixen, Jahresziffern aus Datumsstrings oder dem ersten Buchstaben eines Namens.

Hier sehen Sie eine realistische Pipeline zur Textbereinigung einer Produktnamenspalte, die von einer Webseite extrahiert wurde. Sie kombiniert das Entfernen von Leerzeichen am Anfang und Ende, die Normalisierung der Groß- und Kleinschreibung, das Entfernen von Satzzeichen und das Zusammenfassen von Leerraum – eine typische Vorverarbeitungssequenz für NLP- und Datenbereinigungsaufgaben.

Testen Sie Ihr Verständnis des .str-Accessors.

In dieser Lektion haben Sie gelernt: Der .str-Accessor stellt vektorisierte String-Methoden für eine Pandas Series bereit, darunter lower/upper/strip zur Normalisierung, startswith/endswith/contains zum Filtern sowie len/count zum Messen. Verketten Sie mehrere .str-Aufrufe zu übersichtlichen Bereinigungspipelines. Verwenden Sie na=False, wenn NaN-Werte vorhanden sind. Als Nächstes teilen und ersetzen wir Strings für fortgeschrittenere Transformationen.