Attributet .str

Python-strängar har många användbara metoder som .lower(), .strip() och .replace(), men du kan inte anropa dem direkt på en Pandas-Series med strängar – då skulle du behöva en loop. Accessorn .str löser detta genom att tillhandahålla vektoriserade versioner av Pythons inbyggda strängmetoder för en Series. Operationen tillämpas på alla element samtidigt utan att du behöver skriva en loop, och NaN hanteras korrekt (NaN returneras för saknade värden).

Inkonsekvent användning av versaler och gemener är ett av de vanligaste problemen med datakvalitet. Accessorn .str tillhandahåller .lower(), .upper(), .title() (första bokstaven i varje ord skrivs med versal) och .capitalize() (endast strängens första bokstav skrivs med versal). Använd .lower() före jämförelser och groupby-operationer för att undvika att 'NYC' och 'nyc' behandlas som olika grupper.

Inledande och avslutande blanksteg är osynliga i visningar, men gör att jämförelser av exakta matchningar misslyckas utan tydlig felindikering. .str.strip() tar bort blanksteg från båda ändarna, .str.lstrip() tar endast bort dem från vänster sida och .str.rstrip() tar endast bort dem från höger sida. Du kan också ange ett specifikt tecken som ska tas bort, till exempel tar .str.strip('$') bort dollartecken.

.str.len() returnerar antalet tecken i varje strängelement som en heltals-Series. Detta är användbart för validering – till exempel för att kontrollera att en produktkod alltid består av 5 tecken, att ett telefonnummer har rätt antal siffror eller att ett textfält inte är misstänkt kort, exempelvis ett enda tecken som kan tyda på en platshållare.

.str.startswith() och .str.endswith() returnerar booleska Series. De är det tydligaste sättet att filtrera rader utifrån hur ett strängvärde börjar eller slutar – till exempel för att välja alla order-ID:n som börjar med 'ORD' eller alla filnamn som slutar med '.csv'. De accepterar också tupler av strängar för att kontrollera flera prefix eller suffix samtidigt.

.str.contains(pattern) returnerar en boolesk Series som anger om varje element innehåller det angivna mönstret. Som standard accepterar den ett reguljärt uttryck, men du kan skicka med regex=False för en sökning efter en bokstavlig delsträng. Argumentet na=False behandlar NaN som en icke-matchning i stället för att låta NaN spridas till resultatet.

När en Series innehåller NaN-värden sprider de flesta .str-metoder NaN som standard – de returnerar NaN för de saknade positionerna i resultatet. Metoder som returnerar booleska värden, till exempel .str.contains(), returnerar som standard NaN för saknade positioner, vilket kan orsaka problem vid boolesk indexering. Använd na=False för att behandla NaN som en icke-matchning eller na=True för att behandla det som en matchning.

.str.count(pattern) räknar hur många gånger ett mönster förekommer i varje strängelement. Detta är användbart för funktionsskapande inom bearbetning av naturligt språk – till exempel för att räkna hur många gånger ett ord förekommer, hur många siffror en sträng innehåller eller hur många kommatecken som avgränsar värden i ett fält med avgränsare.

Eftersom varje .str-metod returnerar en ny Series kan Ni kedja flera strängoperationer i samma uttryck. Det här är det tydligaste sättet att utföra flera rensningssteg på en textkolumn: ta bort blanksteg, konvertera till gemener och ta bort specialtecken – allt på en enda läsbar rad. Kedjan utvärderas från vänster till höger, där varje steg skickar sitt resultat vidare till nästa.

Notation med .str[n] hämtar tecknet på position n från varje sträng, och .str[start:end] hämtar ett delsträngsintervall. Det här är vektoriserad indexering av strängarna och är användbart för att hämta koder med fast bredd, till exempel postnummerprefix, årtalssiffror från datumsträngar eller den första bokstaven i ett namn.

Här är en realistisk pipeline för textrensning av en kolumn med produktnamn som har hämtats från en webbsida. Den kombinerar borttagning av blanksteg, normalisering av skiftläge, borttagning av interpunktion och komprimering av blanksteg – en standardsekvens för förbehandling i alla NLP- eller datarensningsuppgifter.

I den här lektionen lärde Ni Er att .str accessor tillhandahåller vektoriserade strängmetoder för en Pandas Series, bland annat lower/upper/strip för normalisering, startswith/endswith/contains för filtrering samt len/count för mätning. Kedja flera .str-anrop för att skapa läsbara rensningspipelines. Använd na=False när NaN-värden förekommer. Härnäst delar vi upp och ersätter strängar för mer avancerade transformationer.