In [1]: import pandas as pd

本教程使用的数据

泰坦尼克号数据
本教程使用泰坦尼克号数据集，存储为 CSV。数据包含以下数据列
- PassengerId：每个乘客的 ID。
- Survived: 表示乘客是否幸存。 0 表示幸存，1 表示未幸存。
- Pclass: 三种票价等级之一：等级 1，等级 2 和等级 3。
- Name: 乘客姓名。
- Sex: 乘客性别。
- Age: 乘客年龄（以年为单位）。
- SibSp: 同行兄弟姐妹或配偶数量。
- Parch: 同行父母或子女数量。
- Ticket: 乘客票号。
- Fare: 表示票价。
- Cabin: 乘客舱位号。
- Embarked: 登船港口。
原始数据
```
In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ...     Fare Cabin  Embarked
0            1         0       3  ...   7.2500   NaN         S
1            2         1       1  ...  71.2833   C85         C
2            3         1       3  ...   7.9250   NaN         S
3            4         1       1  ...  53.1000  C123         S
4            5         0       3  ...   8.0500   NaN         S

[5 rows x 12 columns]
```

如何操作文本数据#

将所有姓名字符转换为小写。

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

要将 Name 列中的每个字符串转换为小写，请选择 Name 列（参见数据选择教程），添加 str 访问器并应用 lower 方法。这样，每个字符串都会逐元素转换。

类似于时间序列教程中的日期时间对象具有 dt 访问器，使用 str 访问器时可以使用许多专门的字符串方法。这些方法通常与单个元素的等效内置字符串方法具有相同的名称，但会逐元素应用（请记住逐元素计算？）到列的每个值上。

创建一个新的列 Surname，其中包含乘客的姓氏，方法是提取逗号之前的部分。

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

使用 Series.str.split() 方法，每个值都将返回一个包含 2 个元素的列表。第一个元素是逗号之前的部分，第二个元素是逗号之后的部分。

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

由于我们只对代表姓氏的第一部分（元素 0）感兴趣，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。事实上，这些字符串函数可以连接起来，一次组合多个函数！

到用户指南

有关提取字符串部分的更多信息，请参阅用户指南中关于分割和替换字符串的部分。

提取关于泰坦尼克号上女伯爵的乘客数据。
```
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]
```
(对她的故事感兴趣吗？请查看 维基百科！)

字符串方法 Series.str.contains() 检查 Name 列中的每个值是否包含单词 Countess，并为每个值返回 True（Countess 是名字的一部分）或 False（Countess 不是名字的一部分）。此输出可用于使用在数据子集教程中介绍的条件（布尔）索引来选择数据。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。

注意

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

到用户指南

有关提取字符串部分的更多信息，请参阅用户指南中关于字符串匹配和提取的部分。

泰坦尼克号上哪个乘客的名字最长？
```
In [10]: titanic["Name"].str.len()
Out[10]: 
0      23
1      51
2      22
3      44
4      24
       ..
886    21
887    28
888    40
889    21
890    19
Name: Name, Length: 891, dtype: int64
```
为了获得最长的名字，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()函数被应用到每个名字上（逐元素）。
```
In [11]: titanic["Name"].str.len().idxmax()
Out[11]: 307
```
接下来，我们需要获取对应的位置，最好是表格中的索引标签，其中名字长度最大。 idxmax()方法正是这样做的。它不是字符串方法，应用于整数，因此不使用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)'
```
根据行的索引名称（307）和列（Name），我们可以使用loc运算符进行选择，该运算符在子集教程中介绍。

在“Sex”列中，将“male”的值替换为“M”，将“female”的值替换为“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: object

虽然replace()不是字符串方法，但它提供了一种方便的方法来使用映射或词汇表来转换某些值。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的一组字符。但是，当有多个值的映射时，这将变得

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，很容易导致错误。只要想想（或者自己尝试一下）如果这两个语句以相反的顺序应用会发生什么……

记住

可以使用str访问器获取字符串方法。
字符串方法逐元素工作，可用于条件索引。
replace 方法是根据给定字典转换值的便捷方法。

到用户指南

用户指南页面中提供了完整的概述，请参阅文本数据处理。