大部分文本运算都可以直接使用字符串对象的内置方法，对于复杂的模式匹配，可以使用正则表达式。
pandas对此进行强化，使其能够对整组数据应用字符串表达式和正则表达式，并能够处理缺失数据。
字符串对象方法
拆分字符串
val = 'a,b, guido'
val.split(',')
split常结合strip使用
pieces = [x.strip() for x in val.split(',')]
利用+，可以将子字符串以双冒号分隔符形式连接起来
first, second, third = pieces
first + '::' + second + '::' + third
更为推荐的方式是使用join方法
'::'.join(pieces)
检测子串是否存在可以使用python的in关键字
'guido' in val
或者是使用index和find方法
val.index(',')
val.find(':')
如果index找不到，则抛出一个异常，而不是像find一样返回-1.
可以通过count方法，返回指定子串的出现次数
val.count(':')
replace用于替换
val.replace(',', '::')
val.replace(',', '')
正则表达式
python内置的re模块负责对字符串应用正则表达式。而re模块的函数分为3类：模式匹配、替换、拆分
import re
text = "foo bar\t baz \tqux"
re.split('\s+', text)
调用re.split('\s+',text),正则表达式会先被编译，然后再在text上调用split方法。
通过re.compile编译regex得到可重用的对象
regex = re.compile('\s+')
regex.split(text)
查找正则表达式匹配的所有
regex.findall(text)
match、search、findall功能类似，findall返回的是字符串中所有的匹配项，而search只返回第一个匹配项，而match只匹配字符串的首部。
text = """Dave [email protected]
Steve [email protected]
Rob [email protected]
Ryan [email protected]
"""
pattern = r'[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}'
# re.IGNORECASE makes the regex case-insensitive
regex = re.compile(pattern, flags=re.IGNORECASE)
regex.findall(text)
m = regex.search(text)
text[m.start():m.end()]
此时match方法返回none
print(regex.match(text))
sub方法可以将匹配的模式替换为指定的字符串
print(regex.sub('REDACTED', text))
上面是找寻电子邮件地址，现在将地址分为3个部分：用户名、域名和域名后缀
pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'
regex = re.compile(pattern, flags=re.IGNORECASE)
m = regex.match('[email protected]')
m.groups()
此时findall会返回一个元组列表
regex.findall(text)
sub可以通过\1、\2等特殊符号访问匹配项中的分组
print(regex.sub(r'Username: \1, Domain: \2, Suffix: \3', text))
pandas中矢量化的字符串函数
data = {'Dave': '[email protected]', 'Steve': '[email protected]',
'Rob': '[email protected]', 'Wes': np.nan}
data = Series(data)
data.isnull()
检查各个电子邮件地址是否含有gmail
data.str.contains('gmail')
或者是使用正则表达式
data.str.findall(pattern, flags=re.IGNORECASE)
获取矢量化元素
matches = data.str.match(pattern, flags=re.IGNORECASE)
matches.str.get(1)
matches.str[0]
或者是
data.str[:5]