1.17 字符串处理进阶
第 5 章介绍了 .str 访问器的基本操作，本节补充它的进阶能力：大小写变换的更多形式、按位置取字符、重复拼接、编码转换，以及与正则表达式深度配合的匹配、替换、提取。字符串清洗是数据预处理中最繁琐的环节，掌握 .str 的完整接口能显著减少手写循环。
1.17.1 大小写与规范化
.str 提供多种大小写变换：
import pandas as pd
s = pd.Series(['hello world', 'pandas data', 'Python'])
print(s.str.capitalize()) # 首字母大写，其余小写 -> 'Hello world'
print(s.str.title()) # 每个单词首字母大写 -> 'Hello World'
print(s.str.swapcase()) # 大小写互换 -> 'HELLO WORLD'
print(s.str.normalize('NFKD')) # Unicode 规范化.str.capitalize() 只把每个字符串的首字母大写，.str.title() 把每个单词的首字母大写，.str.swapcase() 翻转每个字符的大小写。.str.normalize() 按给定形式（NFD、NFKD、NFC、NFKC）规范化 Unicode，用于处理全角半角、组合字符等问题。
1.17.2 按位置取字符
.str.get()
.str.get(i) 取出每个字符串第 i 个字符：
s = pd.Series(['abc', 'def', 'ghi'])
print(s.str.get(0)) # ['a', 'd', 'g']
print(s.str.get(-1)) # ['c', 'f', 'i'].str.slice_replace()
.str.slice_replace(start, stop, repl) 用新串替换指定区间：
s = pd.Series(['abcdef', 'ghijkl'])
print(s.str.slice_replace(2, 4, 'XY'))
# ['abXYef', 'ghXYkl']start、stop 不写时分别从开头、到结尾替换。
1.17.3 重复与拼接
.str.repeat()
.str.repeat(n) 把每个字符串重复 n 次：
s = pd.Series(['ab', 'cd'])
print(s.str.repeat(2)) # ['abab', 'cdcd'].str.cat()
.str.cat() 拼接字符串，支持多种模式。内部元素拼接：
s = pd.Series(['a', 'b', 'c'])
print(s.str.cat(sep=', ')) # 'a, b, c'与其他 Series 逐元素拼接：
s1 = pd.Series(['a', 'b'])
s2 = pd.Series(['1', '2'])
print(s1.str.cat(s2, sep='-')) # ['a-1', 'b-2']na_rep 参数指定缺失值的填充文本：
s3 = pd.Series(['a', None])
print(s3.str.cat(['1', '2'], sep='-', na_rep='?')) # ['a-1', '?-2']1.17.4 编码与解码
.str.encode() 按编码转成字节，.str.decode() 把字节解码回字符串：
s = pd.Series(['中文', 'pandas'])
enc = s.str.encode('utf-8')
print(enc) # 每个元素是 bytes
print(enc.str.decode('utf-8')) # 还原编码转换在对接不同编码的外部系统（如写入 GBK 文件、处理网络字节流）时使用。
1.17.5 正则表达式
正则表达式是字符串处理最强大的工具，.str 系列方法把正则能力向量化。
.str.contains() 匹配
.str.contains(pattern) 判断是否包含匹配子串，支持正则：
s = pd.Series(['abc123', 'def456', 'xyz'])
print(s.str.contains(r'\d')) # 是否含数字 -> [True, True, False]
print(s.str.contains('abc')) # 是否含 abcregex=False 时按字面文本匹配（不解释正则），case=False 忽略大小写。
.str.match() 前缀匹配
.str.match(pattern) 判断字符串开头是否匹配模式，与 contains 的区别是 match 锚定开头：
s = pd.Series(['apple', 'banana', 'applet'])
print(s.str.match('app')) # [True, False, True]
print(s.str.contains('app')) # [True, False, True]（此处相同）注意 contains('app') 匹配任意位置，match('app') 只匹配开头。二者在模式带 ^ 时效果相同，不带时行为不同。
.str.findall() 全部匹配
.str.findall() 返回所有匹配的列表：
s = pd.Series(['a1b2c3', 'xyz'])
print(s.str.findall(r'\d')) # [['1', '2', '3'], []].str.replace() 替换
.str.replace() 用正则或字面量替换，返回替换后的字符串：
s = pd.Series(['2024-01-01', '2024-02-02'])
print(s.str.replace('-', '/')) # 字面替换
print(s.str.replace(r'\d{4}', 'YYYY')) # 正则替换regex=True 时把 pattern 当正则，regex=False 时按字面替换。
.str.extract() 与 .str.extractall() 提取
.str.extract() 用带捕获组的正则提取，每个捕获组生成一列，只返回第一个匹配：
s = pd.Series(['name: 张三', 'name: 李四', 'x'])
print(s.str.extract(r'name: (\w+)'))
# 0
# 0 张三
# 1 李四
# 2 NaN.str.extractall() 提取所有匹配，每个匹配占一行，配合 MultiIndex：
s = pd.Series(['a1 b2', 'c3'])
print(s.str.extractall(r'([a-z])(\d)'))
# 0 1
# match
# 0 0 a 1
# 1 b 2
# 1 0 c 3extract 用于"每行最多一个目标"，extractall 用于"每行可能有多个目标"。
.str.split() 拆分
.str.split() 拆分字符串，expand=True 把结果展开成多列：
s = pd.Series(['a,b,c', 'd,e'])
print(s.str.split(','))
print(s.str.split(',', expand=True))
# 0 1 2
# 0 a b c
# 1 d e NaNexpand=True 时返回 DataFrame，长度不足的行补 NaN。n 参数限制拆分次数。
1.17.6 组合示例
清洗一列"编号-名称"格式的数据并提取信息：
s = pd.Series(['ID-001:苹果', 'ID-002:香蕉', 'bad-record'])
df = s.str.extract(r'ID-(\d+):(.+)')
df.columns = ['编号', '名称']
print(df)练习题
第1题 概念理解
说明 .str.match() 与 .str.contains() 的区别；说明 .str.extract() 与 .str.extractall() 的区别。
参考答案
.str.match() 只匹配字符串开头的模式，.str.contains() 匹配任意位置。.str.extract() 每行只返回第一个匹配，.str.extractall() 返回全部匹配并各占一行。
第2题 代码编写
创建字符串 Series，用 title、swapcase、zfill 做变换；用 split 拆分并 expand=True 展开成多列；用 replace 替换正则匹配的内容。
参考答案
import pandas as pd
s = pd.Series(['hello world', 'Python pandas'])
print(s.str.title())
print(s.str.swapcase())
s2 = pd.Series(['a,b,c', 'd,e'])
print(s2.str.split(',', expand=True))
s3 = pd.Series(['2024-01-01'])
print(s3.str.replace(r'\d{4}', 'YYYY'))第3题 进阶练习
用 extract 从 'ID-001:苹果' 这类字符串中提取编号和名称；用 extractall 提取一行中的多组键值；用 get 与 slice_replace 做位置级处理。
参考答案
import pandas as pd
s = pd.Series(['ID-001:苹果', 'ID-002:香蕉'])
print(s.str.extract(r'ID-(\d+):(.+)'))
s2 = pd.Series(['k1=v1&k2=v2'])
print(s2.str.extractall(r'(\w+)=(\w+)'))
s3 = pd.Series(['abcdef'])
print(s3.str.get(0))
print(s3.str.slice_replace(1, 3, 'XY'))常见错误
错误 1 · 正则里写普通字符却用了 regex=False 或反之
原因:replace、contains 等方法的 regex 参数决定是否解释正则，混淆导致匹配结果错误。
解决:明确需要正则时写 regex=True（部分方法默认 True），纯文本时用 regex=False。
错误 2 · str.extract 结果全是 NaN
原因:模式没有捕获组（小括号），或数据不匹配模式。
解决:提取时必须用带捕获组的正则，如 r'(\d+)'；先单独测试模式能否匹配。
错误 3 · 正则反斜杠转义出错
原因:在 Python 字符串中写 \d 需要 r'\d'，否则 \d 被当成转义字符。
解决:正则一律用原始字符串 r'...'。
错误 4 · .str.split(expand=True) 后列数不一致
原因:各字符串拆分出的段数不同，Pandas 自动补 NaN 但列数取最大。
解决:需要固定列数时用 n 限制拆分次数，或拆后处理缺失。