前言：本文是学习网易微专业的《python全栈工程师》 中的《数据分析 - 机器学习工程师》专题的课程笔记，欢迎学习交流。

一、课程目标

• 掌握矢量化字符串的常用方法

二、详情解读

2.1.矢量化

• 将序列类对象转化为Series类
  – Series的str属性
  – 避免循环语句
  – 对字符串的处理能力更强

2.1.1.矢量化字符串

必要性：
将列表中字符串首字母大写

names = ['newton', 'hertz', 'curie']
[name.capitalize() for name in names]

运行结果：

但是，当列表中有缺失值None时，上述的方法将不再适用，下面的操作会报错：

names2 = ['newton', 'hertz', None, 'curie']
[name.capitalize() for name in names2]

解决方案：将列表转化为Series对象，即将其矢量化。

import pandas as pd

# 矢量化
snames = pd.Series(names2)
snames

运行结果：

使用Series对象的str属性进行操作，列表中的None不会影响到操作：

snames.str.capitalize()

运行结果：

说明：矢量化字符串在避免for循环的同时，序列中有缺失值的情况，执行也不会受影响。

2.1.2.python内置字符串方法与矢量化字符方法的比较

import numpy as np

# 字符串对象的所有属性和方法的名称列表
a = dir(str) 

# 矢量化字符串的所有属性和方法的名称列表
b = dir(snames.str)

# 去掉特殊属性和方法
da = [i for i in a if '_' not in i]
db = [i for i in b if '_' not i i]

# 两者共有的方法名称
share = np.intersect1d(da, db)
print(share)

运行结果：

示例：将列表中的字符串转化为小写

phy = ['issac newton', 'albert Einstein', 'Max Karl Planck', 'Wilhelm rontgen']
phy = pd.Series(phy)
phy.str.lower()

运行结果：

phy.str.len()

运行结果：

phy.str.split()

运行结果：

2.1.3.正则表达式检验邮箱格式：

phy_mail = pd.Series(['new@itdiffer.com', 'ein@itdiffer.com', 'pla@itdiffer.com', 'ron@itdiffer.com'], index=phy)
phy_mail['laoqi'] = np.NaN
phy_mail

运行结果：

email_str = '^[a-zA-Z0-9._%+]+@[a-zA-Z0-9.-]+\\.[a-zA-Z]{2,4}$'
phy_mail.str.match(email_str)

运行结果：

2.1.4.当使用索引下标时，得到的不是样本，而是获取字符串中的字符：

# 获取所有样本的第二个字符
phy.str[2]
# 下面这种方法跟上面的一样
phy.str.get(2)

运行结果：

而原来的数据样本是这样的：

如果下标索引值超过了字符串的长度，则会返回NaN：

phy.str[14]

运行结果：

2.1.5.矢量化字符串的切片：

# 方法一：
phy.str[:5]
# 方法二：
phy.str.slice(0, 5)

2.1.6.练习

df = pd.DataFrame(np.random.randn(3, 2),
				  columns=[' Column A ', ' Column B '],
				  index=range(3))
df

练习一：去掉特征中两侧的空格：

df.columns.str.strip()

练习二：将特征名称小写

df.columns.str.lower()

上面的操作都不影响原来DataFrame中的对象名称，如果想改变原来的名称，可以对名称重新赋值，如下操作：

df.columns = df.columns.str.strip().str.lower().str.replace(' ', '_')

三、课程小结

• 01 字符串矢量化方法