Data used for this tutorial:

  • 本教程使用泰坦尼克号数据集，它以 CSV 格式存储。该数据包含以下数据列：

    • PassengerId：每位乘客的 ID。

    • Survived：乘客是否存活的指示。0 表示生存，1 表示死亡。

    • Pclass：3 个票务等级之一：1 等、2 等和 3 等。

    • Name：乘客姓名。

    • Sex：乘客性别。

    • Age：乘客年龄（以年为单位）。

    • SibSp：船上兄弟姐妹或配偶的数量。

    • Parch：船上父母或子女的数量。

    • Ticket：乘客的票号。

    • Fare：指示票价。

    • Cabin：乘客的客舱号。

    • Embarked：登船港口。

    To raw data

如何处理文本数据#

  • 将所有名字字符转换为小写。

    要将 Name 列中的每个字符串转换为小写，请选择 Name 列（参见 tutorial on selection of data ），添加 str 访问器并应用 lower 方法。这样，每个字符串都会被逐元素转换。

与 time series tutorial 中的 datetime 对象拥有 dt 访问器类似，使用 str 访问器时，也有许多专门的字符串方法可用。这些方法通常名称与等效的内置单个元素字符串方法匹配，但它们是逐元素应用的（还记得 element-wise calculations 吗？），作用于列中的每个值。

  • 创建一个新列 Surname，通过提取逗号前的部分来包含乘客的姓氏。

    使用 Series.str.split() 方法，每个值都会被返回为一个包含 2 个元素的列表。第一个元素是逗号前的部分，第二个元素是逗号后的部分。

    由于我们只对代表姓氏的第一部分（元素 0）感兴趣，所以我们可以再次使用 str 访问器并应用 Series.str.get() 来提取相关部分。确实，这些字符串函数可以级联起来以一次性组合多个函数！

To user guide

更多关于提取字符串部分的信息，请参见用户指南中关于 splitting and replacing strings 的部分。

  • 提取泰坦尼克号上女伯爵的乘客数据。

    (对她的故事感兴趣？请参见 Wikipedia ！)

    字符串方法 Series.str.contains() 检查列 Name 中的每个值是否包含单词 Countess，并为每个值返回 True``（``Countess 是名称的一部分）或 False``（``Countess 不是名称的一部分）。此输出可用于使用 subsetting of data tutorial 中介绍的条件（布尔）索引来子选择数据。由于泰坦尼克号上只有一位女伯爵，因此我们得到一行结果。

备注

支持更强大的字符串提取，因为 Series.str.contains() 和 Series.str.extract() 方法接受 regular expressions ，但这超出了本教程的范围。

To user guide

有关提取字符串部分的信息，请参阅用户指南中的 string matching and extracting 部分。

  • 泰坦尼克号上的哪个乘客名字最长？

    要获得最长的名字，我们首先需要获取 Name 列中每个名字的长度。通过使用 pandas 字符串方法，Series.str.len() 函数会应用于每个名字（逐个元素）。

    接下来，我们需要获取表中名字长度最大的对应位置，最好是索引标签。idxmax() 方法正好能做到这一点。它不是一个字符串方法，而是应用于整数，因此不使用 str。

    根据行的索引名称（307）和列（Name），我们可以使用 tutorial on subsetting 中介绍的 loc 运算符进行选择。

  • 在 “Sex” 列中，将 “male” 的值替换为 “M”，将 “female” 的值替换为 “F”。

    虽然 replace() 不是一个字符串方法，但它提供了一种便捷的方式来使用映射或词汇表来翻译某些值。它需要一个 dictionary 来定义映射 {from : to}。

警告

还有一个 replace() 方法可用于替换特定字符集。但是，当有一个包含多个值的映射时，这会变成：

titanic["Sex_short"] = titanic["Sex"].str.replace("female", "F")
titanic["Sex_short"] = titanic["Sex_short"].str.replace("male", "M")

这将变得很麻烦，并且很容易出错。只需考虑（或自己尝试）这两个语句顺序相反时会发生什么……

REMEMBER

  • 字符串方法可通过 str 访问器使用。

  • 字符串方法是逐个元素工作的，可用于条件索引。

  • replace 方法是一种根据给定字典转换值的便捷方法。

To user guide

用户指南页面 working with text data 提供了完整概述。

显示源代码