De accessor .str

Python-tekenreeksen hebben veel nuttige methoden, zoals .lower(), .strip() en .replace(), maar je kunt deze niet rechtstreeks aanroepen op een Pandas Series met tekenreeksen — je zou een lus nodig hebben. De accessor .str lost dit op door gevectoriseerde versies van de ingebouwde tekenreeksmethoden van Python beschikbaar te maken op een Series. De bewerking wordt dan in één keer op elk element toegepast, zonder dat je een lus hoeft te schrijven, en ontbrekende waarden worden correct verwerkt (voor deze waarden wordt NaN geretourneerd).

Inconsistent hoofdlettergebruik is een van de meest voorkomende problemen met gegevenskwaliteit. De accessor .str biedt .lower(), .upper(), .title() (de eerste letter van elk woord wordt een hoofdletter) en .capitalize() (alleen de eerste letter van de tekenreeks wordt een hoofdletter). Gebruik .lower() vóór vergelijkingen en groupby-bewerkingen om te voorkomen dat 'NYC' en 'nyc' als verschillende groepen worden behandeld.

Witruimte aan het begin en einde is niet zichtbaar in weergaven, maar zorgt ervoor dat vergelijkingen op exacte overeenkomst stilzwijgend mislukken. .str.strip() verwijdert witruimte aan beide uiteinden, .str.lstrip() alleen aan de linkerkant en .str.rstrip() alleen aan de rechterkant. Je kunt ook een specifiek teken opgeven om te verwijderen (bijvoorbeeld: .str.strip('$') verwijdert dollartekens).

.str.len() retourneert het aantal tekens in elk tekenreeks-element als een gehele Series. Dit is nuttig voor validatie — bijvoorbeeld om te controleren of een productcode altijd 5 tekens bevat, of een telefoonnummer het juiste aantal cijfers heeft, of een tekstveld niet verdacht kort is (zoals één teken dat op een tijdelijke waarde kan wijzen).

.str.startswith() en .str.endswith() retourneren booleaanse Series. Dit is de duidelijkste manier om rijen te filteren op basis van het begin of einde van een tekenreekswaarde — bijvoorbeeld om alle order-ID's te selecteren die met 'ORD' beginnen of alle bestandsnamen die op '.csv' eindigen. Je kunt ook tuples met tekenreeksen gebruiken om meerdere voor- of achtervoegsels tegelijk te controleren.

.str.contains(pattern) retourneert een booleaanse Series die aangeeft of elk element het opgegeven patroon bevat. Standaard accepteert de methode een reguliere expressie, maar je kunt regex=False meegeven om letterlijk naar een deeltekenreeks te zoeken. Het argument na=False behandelt NaN als geen overeenkomst in plaats van NaN naar het resultaat door te geven.

Wanneer een Series NaN-waarden bevat, geven de meeste .str-methoden NaN standaard door — ze retourneren NaN voor de ontbrekende posities in de uitvoer-Series. Methoden die booleaanse waarden retourneren (zoals .str.contains()) retourneren standaard NaN voor ontbrekende posities, wat problemen kan veroorzaken bij booleaanse indexering. Gebruik na=False om NaN als geen overeenkomst te behandelen, of na=True om NaN als een overeenkomst te behandelen.

.str.count(pattern) telt hoe vaak een patroon in elk tekenreeks-element voorkomt. Dit is nuttig voor feature-engineering bij natuurlijke-taalverwerking — bijvoorbeeld om te tellen hoe vaak een woord voorkomt, hoeveel cijfers een tekenreeks bevat of hoeveel komma's waarden in een gescheiden veld van elkaar scheiden.

Omdat elke .str-methode een nieuwe Series retourneert, kunt u meerdere tekenreeksbewerkingen in één expressie aan elkaar koppelen. Dit is de netste manier om verschillende opschoningsstappen toe te passen op een tekstkolom: witruimte verwijderen, omzetten naar kleine letters en speciale tekens verwijderen — allemaal op één leesbare regel. De keten wordt van links naar rechts geëvalueerd, waarbij elke stap de invoer voor de volgende levert.

De notatie .str[n] haalt uit elke tekenreeks het teken op positie n op, en .str[start:end] haalt een segment van een tekenreeks op. Dit is gevectoriseerde indexering van tekenreeksen en is handig voor het ophalen van codes met een vaste lengte, zoals voorvoegsels van postcodes, jaartalcijfers uit datumtekenreeksen of de eerste letter van een naam.

Hier is een realistische opschoningspijplijn voor een kolom met productnamen die van een webpagina is geschraapt. Deze combineert verwijderen van overtollige tekens, normalisatie van hoofdlettergebruik, verwijderen van leestekens en samenvoegen van witruimte — een standaardreeks voor voorbewerking in elke NLP- of gegevensopschoontaak.

In deze les hebt u geleerd dat de .str accessor gevectoriseerde tekenreeksmethoden op een Pandas Series beschikbaar maakt, waaronder lower/upper/strip voor normalisatie, startswith/endswith/contains voor filteren en len/count voor metingen. Koppel meerdere .str-aanroepen aan elkaar om leesbare opschoningspijplijnen te maken. Gebruik na=False wanneer er NaN-waarden aanwezig zijn. Hierna splitsen en vervangen we tekenreeksen voor geavanceerdere transformaties.