In [1]: import pandas as pd
本教學課程使用資料

  • 本教學課程使用以 CSV 儲存的鐵達尼號資料集。資料包含下列資料欄

    • PassengerId：每位乘客的 ID。

    • Survived：表示乘客是否生還。是為 0，否為 1。

    • Pclass：三種票艙等級之一：頭等艙 1、二等艙 2 和三等艙 3。

    • Name：乘客姓名。

    • Sex：乘客性別。

    • Age：乘客年齡（以年為單位）。

    • SibSp：船上兄弟姊妹或配偶人數。

    • Parch：船上父母或子女人數。

    • Ticket：乘客票號。

    • Fare：表示票價。

    • Cabin：乘客艙房號碼。

    • Embarked：登船港口。

    至原始資料 
    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]

如何處理文字資料#

  • 將所有姓名字元轉為小寫。

    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: object

    若要將 Name 欄中的每個字串轉為小寫，請選取 Name 欄（請參閱資料選取教學課程），加入 str 存取器，並套用 lower 方法。如此一來，每個字串都會逐一轉換。

類似於 時間序列教學 中具有 dt 存取器的日期時間物件，在使用 str 存取器時，有許多專門的字串方法可用。這些方法通常與單一元素的內建字串方法具有匹配的名稱，但會對每個欄位的數值逐一元素套用（還記得 逐一元素計算 嗎？）。

  • 建立一個新的欄位 Surname，其中包含乘客的姓氏，方法是擷取逗號之前的部分。

    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() 方法，每個數值會以 2 個元素的清單形式傳回。第一個元素是逗號之前的部分，第二個元素是逗號之後的部分。

    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

    由於我們只對代表姓氏的第一個部分（元素 0）有興趣，因此我們可以再次使用 str 存取器並套用 Series.str.get() 來擷取相關部分。的確，這些字串函數可以串接，一次結合多個函數！

至使用者指南

使用者指南的 分割和取代字串 部分提供了更多關於擷取字串部分的資訊。

  • 擷取鐵達尼號上伯爵夫人的乘客資料。

    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]

    （有興趣了解她的故事嗎？請參閱 Wikipedia！）

    字串方法 Series.str.contains() 檢查欄位 Name 中的每個值，判斷字串是否包含字詞 Countess，並為每個值傳回 True（Countess 是名稱的一部分）或 False（Countess 不是名稱的一部分）。此輸出可搭配 資料子集教學 中介紹的條件（布林）索引，用於子選資料。由於鐵達尼號上只有一位女伯爵，因此我們只得到一列結果。

注意

字串中支援更強大的擷取，因為 Series.str.contains() 和 Series.str.extract() 方法接受 正規表示式，但不在本教學範圍內。

至使用者指南

有關擷取字串部分的更多資訊，請參閱使用者指南中 字串比對和擷取 部分。

  • 鐵達尼號上哪位乘客的名字最長？

    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

    要取得最長的名稱，我們首先必須取得 Name 欄位中每個名稱的長度。使用 pandas 字串方法，Series.str.len() 函式會個別套用至每個名稱（逐元素）。

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

    接下來，我們需要取得對應位置，最好是表格中名稱長度最長的索引標籤。 idxmax() 方法正是如此。它不是字串方法，而是套用於整數，因此不會使用 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)'

    根據列的索引名稱（307）和欄位（Name），我們可以使用 loc 算子進行選取，子集教學 中有介紹。

  • 在「性別」欄位中，將「男性」值取代為「M」，將「女性」值取代為「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

    雖然 replace() 不是字串方法，但它提供一種便利的方式，可以使用對應或詞彙來轉換特定值。它需要一個 dictionary 來定義對應 {from : to}。

警告

還有一個 replace() 方法可用來取代特定字元組。然而，當有多個值的對應時，這將會變成

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

這將會變得繁瑣且容易導致錯誤。只要想想（或自己嘗試）如果這兩個陳述套用順序相反會發生什麼事…

請記住

  • 字串方法可以使用 str 存取器。

  • 字串方法以元素為單位運作，可用於條件索引。

  • replace 方法是一個方便的方法，可以根據給定的字典轉換值。

至使用者指南

在 處理文字資料 的使用者指南頁面中提供了完整的概觀。