3.3 字符串操作：str 访问器手法集

本节摘要：地址、邮箱、备注、单号——文本是表格里最"散"的料。str 访问器把 Python 的字符串功夫平移到整列上：拆分、提取、替换、判断、补位，本节按"流水线"次序讲全常用手法，并给正则开关立好规矩。承接 3.2 的排序，通往 3.4 的时间解析。

从纸质地址簿到结构化字段

从纸质地址簿到数据库字段，人类整理文本花了上百年；数据表里的文本至今仍然最不听话——"北京市朝阳区望京街道"与"朝阳区望京"指同一处却长得不一样；邮箱里藏着姓名与域名；单号里编着仓库与批次。字符串处理的日常，就是把这类散料切成结构化的列。本节的手法都挂在 str 访问器下面：对任何一列字符串写 s.str.方法名()，Python 字符串的功夫就能整列施展。往前接 3.2 排好序的表，往后 3.4 的时间列，常常正是字符串里"切"出来的。

图文本加工流水线

参数拆解：旋钮逐个拧

**s.str.split(pat, n=-1, expand=False, regex=None)**：按分隔符拆，expand=True 拆成多列（最有用的形态），n 限制拆的刀数；正则开关以实际版本文档为准。**s.str.extract(pat, expand=True)**：按正则分组抓取，一组一列——圆括号就是抓取范围，命名分组还顺手命名列。**s.str.contains(pat, case=True, na=False, regex=True)**：判断是否包含，返回布尔列；na 参数决定原缺失位置的返回值，筛选时给 False 避免空值捣乱；regex 默认 True。**s.str.replace(pat, repl, regex=False)**：pandas 里这个函数默认按字面替换，要正则必须显式 regex=True——与 Python 原生 str.replace 的心智完全一致，但与 6.2 的 re.sub 味道不同。**s.str.len()、upper()、lower()、strip()、zfill(宽度)、slice(起, 止)**：计量、统一、清洁、补零、裁片，都是单列直来直去的手法。


import pandas as pd

s = pd.Series(["  Alice@mail.com ", "bob@corp.cn", None, "CARL@mail.com"], name="邮箱")

# 第一站：规范化
s1 = s.str.strip().str.lower()
# 第二站：切分——expand 拆成两列
parts = s1.str.split("@", expand=True)
parts.columns = ["用户名", "域名"]
print(parts)
#   用户名     域名
# 0  alice  mail.com
# 1    bob   corp.cn
# 2   NaN       NaN   <- 缺失一路传染，符合预期
# 3   carl  mail.com

实操示例：从单号里拆出仓库与批次

场景：单号形如"WH03-B2024-0057"，前段是仓库码，中段含年份，尾段是流水号。用 extract 一把抓出三列。


orders = pd.Series(["WH03-B2024-0057", "WH12-B2023-1108", "bad-format"])
info = orders.str.extract(r"(WH\d{2})-B(\d{4})-(\d{4})")
info.columns = ["仓库码", "年份", "流水号"]
print(info)
#   仓库码    年份   流水号
# 0  WH03  2024  0057
# 1  WH12  2023  1108
# 2   NaN   NaN   NaN   <- 不合式的抓不到，交 2.4 的 coerce 思路处理

# 校验：合规率一句话出
print(f"合规率：{info['仓库码'].notna().mean():.0%}")

extract 的返回值对不上的行是 NaN——"抓不到"本身就是一种检测结果，这个性质让 extract 兼职当了格式校验员。

常用手法速查

str 访问器下的方法几十个，日常高频的其实就一掌之数：split 与 extract 管拆，replace 管换，contains、startswith、endswith 管判，len、strip、upper、lower、zfill 管整，slice、str[起止] 管裁。记不全没关系，记一条检索规律——凡是"对每个字符串做的事"，Python 字符串有什么方法，s.str 下面九成有同名的，整列自动铺开。拿邮箱演示一遍"判、拆、裁"三连：


emails = pd.Series(["alice@mail.com", "bob@corp.cn", None])
print(emails.str.endswith(".com"))          # 判后缀：True False NaN
print(emails.str.slice(0, 5).tolist())      # 裁前五位：alice、bob@、NaN

缺身的行照旧透传 NaN——速查表再熟，也替代不了对缺失去向的清醒。

坑点与翻车

**翻车一：contains 的正则默认开着。**s.str.contains("(待定)") 里的小括号被当成分组语法，匹配结果和直觉完全两样。想按字面找特殊字符，要么转义，要么 regex=False。**翻车二：把 Python 的 replace 经验直接搬来。**s.str.replace("a.b", "X") 默认按字面替换——这与多数人"点号匹配任意字符"的预期相反，方向和 contains 恰好一个默认开、一个默认关。两个开关各记各的，拿不准就显式写。**翻车三：缺失值传染。**str 系方法遇到 NaN 一律返回 NaN，链式调用中间任何一环有缺失，后面的环节全空——长链加工前先想清楚缺失该在哪一环处理，或提前 fillna。**翻车四：对非字符串列点 str。**数字列点 str 访问器直接抛异常——先 astype(str) 或回头做 2.4 的类型矫正，这是切配台与择菜间的接力处。

替代方案

复杂逻辑超出正则表达能力时，用 apply 挂自定义函数最灵活（代价是慢，第 8 章细算这笔账）；需要"一段文本里的全部匹配"而不是首匹配，用 extractall；要"整列拼接"用 str.cat(sep="、")。至于带分组命名的正则，(?P<列名>模式) 能让 extract 直接产出带名字的列，省掉事后改列名。

本节要点回顾

访问器统一入口：s.str.方法()，Python 字符串功夫整列施展；
拆与抓：split(expand=True) 按分隔符出列，extract 按分组捕获出列；
开关双例：contains 默认正则开，replace 默认正则关，方向相反；
缺失传染：str 链路里 NaN 一路透传，长链先定缺失策略；
兼职校验：extract 抓不到即 NaN，天然能查格式合规率。

文本切好了，还剩最难缠的软料——时间。3.4 用 to_datetime 与 dt 访问器，把时间从字符串里解放出来。

作者与出处

原作者：灏天文库

来源：灏天文库

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流

3.3 字符串操作：str 访问器手法集