如何操作文本数据

• 将姓名中的所有字符转换为小写。

  In [4]: titanic["Name"].str.lower()
  Out[4]: 
  0                                braund, mr. owen harris
  1      cumings, mrs. john bradley (florence briggs th...
  2                                  heikkinen, miss laina
  3           futrelle, mrs. jacques heath (lily may peel)
  4                               allen, mr. william henry
                               ...                        
  886                                montvila, rev. juozas
  887                          graham, miss margaret edith
  888              johnston, miss catherine helen "carrie"
  889                                behr, mr. karl howell
  890                                  dooley, mr. patrick
  Name: Name, Length: 891, dtype: str
  

  要把 Name 列中的每个字符串变成小写，先选取该列（参见数据选择教程），再通过 str 访问器调用 lower 方法。这样会逐元素转换每个字符串。

时间序列教程中的日期时间对象具有 dt 访问器；与此类似，使用 str 访问器可以调用一系列专门的字符串方法。这些方法的名称通常与处理单个字符串的 Python 内置方法相同，但会逐元素应用到列中的每个值（还记得逐元素计算吗？）。

• 提取逗号前面的部分，创建包含乘客姓氏的新列 Surname。

  In [5]: titanic["Name"].str.split(",")
  Out[5]: 
  0                             [Braund,  Mr. Owen Harris]
  1      [Cumings,  Mrs. John Bradley (Florence Briggs ...
  2                               [Heikkinen,  Miss Laina]
  3        [Futrelle,  Mrs. Jacques Heath (Lily May Peel)]
  4                            [Allen,  Mr. William Henry]
                               ...                        
  886                             [Montvila,  Rev. Juozas]
  887                       [Graham,  Miss Margaret Edith]
  888           [Johnston,  Miss Catherine Helen "Carrie"]
  889                             [Behr,  Mr. Karl Howell]
  890                               [Dooley,  Mr. Patrick]
  Name: Name, Length: 891, dtype: object
  

  使用 Series.str.split() 后，每个值都会返回一个包含两个元素的列表：第一个元素是逗号之前的部分，第二个是逗号之后的部分。

  In [6]: titanic["Surname"] = titanic["Name"].str.split(",").str.get(0)
  
  In [7]: titanic["Surname"]
  Out[7]: 
  0         Braund
  1        Cumings
  2      Heikkinen
  3       Futrelle
  4          Allen
           ...    
  886     Montvila
  887       Graham
  888     Johnston
  889         Behr
  890       Dooley
  Name: Surname, Length: 891, dtype: object
  

  我们只关心表示姓氏的第一部分（元素 0），因此可以再次使用 str 访问器，调用 Series.str.get() 提取它。字符串操作可以串联起来，在一次表达式中组合多个步骤。

• 提取泰坦尼克号上伯爵夫人的乘客数据。

  In [8]: titanic["Name"].str.contains("Countess")
  Out[8]: 
  0      False
  1      False
  2      False
  3      False
  4      False
         ...  
  886    False
  887    False
  888    False
  889    False
  890    False
  Name: Name, Length: 891, dtype: bool
  

  In [9]: titanic[titanic["Name"].str.contains("Countess")]
  Out[9]: 
       PassengerId  Survived  Pclass  ... Cabin Embarked  Surname
  759          760         1       1  ...   B77        S   Rothes
  
  [1 rows x 13 columns]
  

  对她的故事感兴趣？可以查看维基百科。

  Series.str.contains() 会检查 Name 列的每个字符串是否包含 Countess，并分别返回 True（包含）或 False（不包含）。可以使用这个结果进行条件（布尔）索引，筛选数据；数据子集教程介绍过这种方法。泰坦尼克号上只有一位伯爵夫人，因此结果只有一行。

• 哪位泰坦尼克号乘客的姓名最长？

  In [10]: titanic["Name"].str.len()
  Out[10]: 
  0      23
  1      51
  2      21
  3      44
  4      24
         ..
  886    21
  887    27
  888    39
  889    21
  890    19
  Name: Name, Length: 891, dtype: int64
  

  首先计算 Name 列中每个姓名的长度。字符串方法 Series.str.len() 会分别应用到每个姓名，即逐元素计算。

  In [11]: titanic["Name"].str.len().idxmax()
  Out[11]: 307
  

  接下来需要找出表中姓名长度最大的对应位置，最好是索引标签。idxmax() 正是用于这个目的的方法。它操作的是整数而非字符串，因此无需使用 str。

  In [12]: titanic.loc[titanic["Name"].str.len().idxmax(), "Name"]
  Out[12]: 'Penasco y Castellana, Mrs. Victor de Satode (Maria Josefa Perez de Soto y Vallejo)'
  

  根据行索引标签 307 和列名 Name，可以使用数据子集教程介绍的 loc 进行选择。

• 将 Sex 列中的 male 替换为 M，将 female 替换为 F。

  In [13]: titanic["Sex_short"] = titanic["Sex"].replace({"male": "M", "female": "F"})
  
  In [14]: titanic["Sex_short"]
  Out[14]: 
  0      M
  1      F
  2      F
  3      F
  4      M
        ..
  886    M
  887    F
  888    F
  889    M
  890    M
  Name: Sex_short, Length: 891, dtype: str
  

  replace() 虽然不是字符串方法，却能方便地按照映射或词汇表转换特定值。它需要使用字典定义 {from: to} 映射。

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