python易混淆知識系列：pandas字符串方法和字符串內建函數(shù)，使用python的一個優(yōu)勢就是字符串處理起來比較容易。

Python的初學者在學習字符串內建函數(shù)的時候往往會很困惑：字符串的內建函數(shù)是對單個字符串對象處理，如果要對成千上萬個字符串對象處理該怎么辦？

不少已經使用Python工作很長時間的同學，即使已經學會使用Pandas對象的.apply()方法來處理字符串，依然會時常忘記：其實Pandas已經自帶功能強大的向量化字符串操作。

即使知道Pandas字符串方法的同學，使用的時候也經常與字符串內建函數(shù)混淆。

而熟練使用Pandas字符串方法的同學往往會覺得，其方法的代碼簡潔性與運行效率都遠高于其他的寫法。真相到底如何？Pandas字符串方法和字符串內建函數(shù)有什么不同？運算效率真的像傳聞那么高嗎？

今天我們就好好捋一下這塊Python易混淆的知識點。

1. 快速入門向量化字符串操作

初學Python字符串內建函數(shù)的同學肯定知道有個叫.lower()的方法可以將字符串中的大寫英文字母轉化為小寫，比如將字符串對象’ABCD’轉化為小寫：

點擊添加圖片描述（最多60個字）編輯

如果字符型的Series對象中的字符串要轉化為小寫呢？比如：

點擊添加圖片描述（最多60個字）編輯

此時，我們就可以使用Series的str方法中的.lower()來處理：

點擊添加圖片描述（最多60個字）編輯

同理，如果要將Series對象中的所有的大寫字母變成小寫，可以使用.str.upper()。

看到這里，相信很多沒有使用過Pandas字符串方法的同學會驚奇地發(fā)現(xiàn)，這跟字符串對象的內建函數(shù)差不多呀？只不過多了一個通過.str()方法調用函數(shù)的過程。

確實，大多數(shù)Pandas的字符串方法借鑒了Python字符串內建函數(shù)的內容，這里給大家梳理一下，兩種處理字符串方法基本相同的地方：

· 求字符串長度

§ .str.len()

· 字符檢索

§ .str.find()和.str.rfind()

§ .str.index()和.str.rindex()

· 字符轉換

§ .str.lower()和.str.upper()

§ .str.title()和.str.capitalize()

§ .str.swapcase()

· 字符類型判斷

§ .str.islower()和.str.isupper()

§ .str.isnumeric()、.str.isalnum()、.str.isdecimal()、.str.isalpha()、.str.isdigit()

§ .str.isspace()

§ .str.istitle()

· 字符對齊與填充

§ .str.startswith()和.str.endswith()

§ .str.center()

§ .str.ljust()和.str.rjust()

· 字符分隔

§ .str.split()和.str.rsplit()

§ .str.partition()和.str.rpartition()

· 字符整理

§ .str.strip()、.str.rstrip()、.str.lstrip()

以上方法都是Pandas字符串方法與Python字符串內建函數(shù)中基本一致的部分，無論是方法名還是調用過程，只有少部分有少許區(qū)別。

2. 其他字符串方法

除了與字符串內建函數(shù)類似的方法以外，Pandas還有一些功能強大的字符串方法。

(1) 向量化字符串的取值和切片操作

很多同學會很疑惑，字符串對象可以進行取值和切片操作，但是Pandas對象中的字符串如何進行相同的操作？比如以上面的Series對象為例：

點擊添加圖片描述（最多60個字）編輯

如果想把上面Series對象中所有字符串中的前三個字母取出來，可以通過調用.str屬性后，返回的對象直接使用和字符串切片一樣的方法：

點擊添加圖片描述（最多60個字）編輯

此外還可以使用.str.slice()方法，其參數(shù)與切片方法的類似：

點擊添加圖片描述（最多60個字）編輯

但是如果想根據(jù)字符串索引來取單個字符元素，可以通過.str.get()方法來進行。比如上面的Series對象a中，我們想要取里面所有字符串索引值為1的元素，可以寫a.str.get(1):

點擊添加圖片描述（最多60個字）編輯

(2) 字符串拼接

Python中多個字符串對象拼接非常簡單，直接使用加法運算符就可以了，比如：

點擊添加圖片描述（最多60個字）編輯

這種便捷的方法，Series對象也同樣沿用下來，可以將多個字符型Series對象用加法運算符直接相加：

點擊添加圖片描述（最多60個字）編輯

但是Pandas字符串方法中有更加強大的字符串拼接功能，那就是.str.cat()方法。

實現(xiàn)上面同樣的字符串拼接，如果我們使用.str.cat()方法，可以這樣寫：

點擊添加圖片描述（最多60個字）編輯

也就是說，第一個Series對象調用.str.cat()方法，該方法第一個參數(shù)可以用列表的形式來把其他需要合并的Series對象寫進來。

當然，.str.cat()方法功能強大，比如可以選擇使用參數(shù)sep來自定義分隔符來合并，我們使用“|”來連接上面的三個Series對象：

點擊添加圖片描述（最多60個字）編輯

(3) 字符替換操作

字符串內建函數(shù)有便捷的字符替換方法.replace()，比如我們想字符串’abcd’中的’a’替換成’A’：

點擊添加圖片描述（最多60個字）編輯

同樣地，Pandas字符串方法也有一樣的操作：

點擊添加圖片描述（最多60個字）編輯

當然，如果想通過索引值或者切片來指定替換呢？比如我們想將str_01中的所有字符串中索引值0到2的元素替換成符號‘*’，我們就需要使用.str.slice_replace()，替換對象以參數(shù)repl來指定：

點擊添加圖片描述（最多60個字）編輯

(4) 快速獨熱編碼

獨熱編碼無論在特征工程中還是問卷數(shù)據(jù)處理中都應用廣泛，我們需要轉碼的字符如下圖表示，該怎么辦？

點擊添加圖片描述（最多60個字）編輯

想看到這，熟練使用Pandas的apply()方法的同學會開始絞盡腦汁寫自定義函數(shù)來完成這么復雜的編碼規(guī)則。其實，我們可以直接使用Pandas字符串方法.str.get_dummies()來完成獨熱編碼，如下：

點擊添加圖片描述（最多60個字）編輯

如果非常不幸，我們的字符串中的分隔符”|”都不存在，該怎么辦？

點擊添加圖片描述（最多60個字）編輯

此時我們可以使用搭配使用.str.join()方法，將“|”插入到上面Series對象中每個字符串對象的每個元素之間：

點擊添加圖片描述（最多60個字）編輯

上面生成的對象最后再次調用.str.get_dummies()方法即可：

點擊添加圖片描述（最多60個字）編輯

3. 代碼量與運算效率PK

從上面我們可以看到，Pandas的字符串方法實現(xiàn)了很多我們意想不到的操作的同時，大大簡化了代碼書寫的復雜程度。

接下來，我們對比一下，在文本數(shù)據(jù)量較大的時候，使用Pandas字符串方法和使用字符串內建函數(shù)，在代碼量上和代碼運算效率上作一番比較。

我們以最為常用的幾個使用場景來舉例子，分別是字符切片、替換、拼接、去除前后特殊字符。

下面用到的內存分析魔法函數(shù)，需要先在pip安裝擴展memory_profiler：

pip install memory_profiler

然后還需要在notebook中導入這個擴展：

%load_ext memory_profiler

(1) 字符串切片方法對比

我們先建立一個長度為一千萬的字符型Series對象：

點擊添加圖片描述（最多60個字）編輯

我們嘗試使用兩種方法，對Series對象中的所有字符對象取前兩個元素：

點擊添加圖片描述（最多60個字）編輯

上面我們會發(fā)現(xiàn)第一種方法使用列表推導式配合字符串切片方法，會比第二種使用Pandas字符串方法占用內存要大且運算時間稍慢。

同時，Pandas字符串方法的代碼簡潔很多。

(5) 字符串替換方法對比

同理按照以上的方法，我們對比一下兩種字符串方法的在字符串替換上的運算效率：

點擊添加圖片描述（最多60個字）編輯

上圖可以看到，無論是代碼簡潔性、可閱讀性，還是運算效率方面，Pandas的字符串方法都要好很多。

(6) 字符串拼接方法對比

多個字符型Series對象拼接在一起，同時使用分隔符“|”拼接，我們對比一下兩種寫法：

點擊添加圖片描述（最多60個字）編輯

可以看到在拼接方法上，雖然代碼的簡潔性與拓展性，Pandas的字符串方法要好很多，但是其運算效率要比第一種方法要低很多。

這主要是因為第一種方法使用了廣播機制，加快了運算效率。

(7) 去除前后特殊字符

去除字符串前后的特殊字符，比如空格，是字符串處理的常見操作，我們看看使用Pandas的.str.strip()方法是否在各方面要好很多。

先建一個例子：

點擊添加圖片描述（最多60個字）編輯

第一種方法我們依然使用列表推導式與字符串內建函數(shù)：

點擊添加圖片描述（最多60個字）編輯

第二種方法：

點擊添加圖片描述（最多60個字）編輯

第二種方法我們會看到，雖然運算時間稍微比第一種方法高了一點，但是代碼簡潔性和可閱讀性要比第一種方法好很多，而且運算內存消耗要低很多。

4. 小結

從上面這么多的例子我們會發(fā)現(xiàn)，Pandas的字符串方法無論是在代碼可閱讀性還是運算效率方面，在實現(xiàn)各種字符串處理場景時，基本上都要比其他方法要好很多。而在實現(xiàn)特定字符串處理場景，比如獨熱編碼時，Pandas特有的字符串方法就更加便捷。

作為實用主義者，我們在處理文本數(shù)據(jù)的時候，可以優(yōu)先使用Pandas字符串方法。遇到尤為棘手的處理需求時，結合字符串內建函數(shù)與Pandas的apply()，你就可以建立一個功能強大無比的字符串處理程序來清洗自己數(shù)據(jù)了。