python字符串應該是python裡面最重要的數據類型了，因此學會怎麼處理各種各樣的字符串，顯得尤為重要。
我們不僅要學會怎麼處理單個字符串，這個就需要學習「python字符串函數」，我們還要學會怎麼處理二維表格中每一列每一格的字符串，這個就需要學習「pandas的str矢量化字符串函數」。
今天我們採用對比的方式，帶大家總結常用的字符串函數，希望這篇文章能夠對大家起到很好的作用。
在開始享用這篇文章之前，請培養好自己的耐心，本文確實幹貨滿滿，一定要看到最後你才知道收穫有多大，尤其是後面的str屬性，超有用。
2.常用的python字符串函數字符串中，空白符也算是真實存在的一個字符。
1）python字符串函數大全2）函數講解① find()函數功能 ：檢測字符串是否包含指定字符。如果包含指定字符，則返回開始的索引；否則，返回-1。② index()函數功能 ：檢測字符串是否包含指定字符。如果包含指定字符，則返回開始的索引；否則，提示ValueError錯誤。③ count()函數功能 ： 統計字符串中，某指定字符在指定索引範圍內，出現的次數。注意 ：如果不指定索引範圍，表示在整個字符串中，搜索指定字符出現的次數。④ replace()函數語法 ：st.replace(str1,str2,count)。注意 ： 如果不指定count，則表示整個替換；如果指定count=1，則表示只替換一次，count=2，則表示只替換兩次。⑤ split()語法 ：st.split('分隔符', maxSplit)注意 ：如果split中什麼都不寫，則默認按照空格進行分割；如果指定了分割符，則按照指定分隔符，進行分割。maxSplit作用：不好敘述，自己看下面的例子就明白。⑥ startswith()函數功能 ：檢查字符串st是否以字符串str1開頭，若是，則返回True；否則，返回False。⑦ endswith()函數功能 ：檢查字符串st是否以字符串str1結尾，若是，則返回True；否則，返回False。⑧ lower()功能 ：將字符串的所有字母轉換為小寫。⑨ upper()⑩ strip()注1：st.rstrip() : 去掉字符串右邊的空白字符。
注2：st.lstrip() : 去掉字符串左邊的空白字符。
⑪ join()函數功能 ：在指定字符串str1中，每相鄰元素中間插入st字符串，形成新的字符串。注意 ：是在str1中間插入st，而不是在st中間插入str1。⑫ isalpha()功能 ：如果字符串str中只包含字母，則返回True；否則，返回False。注意 ：只有字符串中全部是字母，才會返回True，中間有空格都不行。⑬ isdigit()功能 ：如果字符串str中只包含數字，則返回True；否則，返回False。3.常用的str矢量化字符串函數str矢量化操作：指的是循環迭代數組裡面的某個元素，來完成某個操作。
1）str矢量化字符串函數大全2）構造一個DataFrame，用於測試函數import pandas as pd
df ={'姓名':[' 黃同學','黃至尊','黃老邪 ','陳大美','孫尚香'],
'英文名':['Huang tong_xue','huang zhi_zun','Huang Lao_xie','Chen Da_mei','sun shang_xiang'],
'性別':['男','women','men','女','男'],
'身份證':['463895200003128433','429475199912122345','420934199110102311','431085200005230122','420953199509082345'],
'身高':['mid:175_good','low:165_bad','low:159_bad','high:180_verygood','low:172_bad'],
'家庭住址':['湖北廣水','河南信陽','廣西桂林','湖北孝感','廣東廣州'],
'電話號碼':['13434813546','19748672895','16728613064','14561586431','19384683910'],
'收入':['1.1萬','8.5千','0.9萬','6.5千','2.0萬']}
df = pd.DataFrame(df)
df結果如下：
3）函數講解① cat函數：用於字符串的拼接df["姓名"].str.cat(df["家庭住址"],sep='-'*3)結果如下：
② contains：判斷某個字符串是否包含給定字符df["家庭住址"].str.contains("廣")結果如下：
③ startswith/endswith：判斷某個字符串是否以...開頭/結尾# 第一個行的「 黃偉」是以空格開頭的
df["姓名"].str.startswith("黃")
df["英文名"].str.endswith("e")結果如下：
④ count：計算給定字符在字符串中出現的次數df["電話號碼"].str.count("3")結果如下：
⑤ get：獲取指定位置的字符串df["姓名"].str.get(-1)
df["身高"].str.split(":")
df["身高"].str.split(":").str.get(0)結果如下：
⑥ len：計算字符串長度df["性別"].str.len()結果如下：
⑦ upper/lower：英文大小寫轉換df["英文名"].str.upper()
df["英文名"].str.lower()結果如下：
⑧ pad+side參數/center：在字符串的左邊、右邊或左右兩邊添加給定字符df["家庭住址"].str.pad(10,fillchar="*") # 相當於ljust()
df["家庭住址"].str.pad(10,side="right",fillchar="*") # 相當於rjust()
df["家庭住址"].str.center(10,fillchar="*")結果如下：
⑨ repeat：重複字符串幾次df["性別"].str.repeat(3)結果如下：
⑩ slice_replace：使用給定的字符串，替換指定的位置的字符df["電話號碼"].str.slice_replace(4,8,"*"*4)結果如下：
⑪ replace：將指定位置的字符，替換為給定的字符串df["身高"].str.replace(":","-")結果如下：
⑫ replace：將指定位置的字符，替換為給定的字符串(接受正則表達式)先不要管下面這個案例有沒有用，你只需要知道，使用正則做數據清洗多好用；df["收入"].str.replace("\d+\.\d+","正則")結果如下：
⑬ split方法+expand參數：搭配join方法功能很強大# 普通用法
df["身高"].str.split(":")
# split方法，搭配expand參數
df[["身高描述","final身高"]] = df["身高"].str.split(":",expand=True)
df
# split方法搭配join方法
df["身高"].str.split(":").str.join("?"*5)結果如下：
⑭ strip/rstrip/lstrip：去除空白符、換行符df["姓名"].str.len()
df["姓名"] = df["姓名"].str.strip()
df["姓名"].str.len()結果如下：
⑮ findall：利用正則表達式，去字符串中匹配，返回查找結果的列表findall使用正則表達式，做數據清洗，真的很香！df["身高"]
df["身高"].str.findall("[a-zA-Z]+")結果如下：
⑯ extract/extractall：接受正則表達式，抽取匹配的字符串(一定要加上括號)df["身高"].str.extract("([a-zA-Z]+)")
# extractall提取得到複合索引
df["身高"].str.extractall("([a-zA-Z]+)")
# extract搭配expand參數
df["身高"].str.extract("([a-zA-Z]+).*?([a-zA-Z]+)",expand=True)結果如下：
如果你覺得這篇文章對你有點用的話，就請為本文點個讚、在看、轉發三連吧！！！
後臺回復「字符串」獲取本文練習代碼！