使用Pandas: str.replace() 进行文本清洗

前段时间参加了Kaggle上的Mercari Price Suggestion Challenge比赛，收获良多，过些时候准备进行一些全面的总结，本篇文章先谈一个比赛中用到的小技巧。

这个比赛数据中有一个特征叫做 "item_description"，大致是一些商品描述，比如什么时候买的、新旧程度如何、什么牌子的等等。因为大部分都是Mercari这个网站（这个类似于国内的二手商品交易网站）上的用户自己填的商品描述，所以是极尽杂乱之能事，会出现很多夸张的符号，比如这样：

另外的一大问题是用语规范不统一，比如 $1.100 和 $1.1 其实是一个意思，然而在对文本进行特征提取时就会被当成两个特征，这会使特征变得过于稀疏，对模型的效果也会产生影响。所幸Pandas中提供了str.replace()这个方法，可以高效处理此类问题。

str.replace()的作用基本与re.sub()等同，区别在于re.sub()一次只能处理一个字符串，而str.replace()可以一次处理一整个Series，因而效率要高很多。str.replace()的正式形式为 Series.str.replace(pat, repl) ，其中pat为想要寻找的模式，一般为正则表达式，repl为要替换进去的字符串或函数。

下面是几个简单的例子，X代表一个Series，repl皆为字符串：

X.str.replace(r"iphone\s+7", "iphone7")  #为了将iphone7视为一个词，把iphone 7转换为iphone7，去除空格。
X.str.replace(r"16gbiphone", "16gb iphone")  #将16gbiphone转换无16gb iphone，增加空格。
X.str.replace(r"fl\s?\.?\s?oz", "floz")  #将fl.oz或fl . oz转换为floz

如果是一些比较复杂的情况，则需要将repl自定义为函数：

1) 将1.101000变为1.101，即将后面的"0"去掉。

remove0 = lambda m:m.group(0).rstrip("0")
X.str.replace(r"\d\.\d*[1-9]+0+", remove0)

上例中将repl定义为一个匿名函数，m.group(0)为匹配到的所有字符串，注意其不会匹配到1.000的情况，因为pat中存在[1-9]。

2) 将1.000kg变为1kg，这里因为要去除的.和0两个字符位于中间，所以无法用上面的rstrip()。

table1 = str.maketrans("","","0.")
remove1 = lambda m:m.group(0).translate(table1)
X.str.replace(r"\.0+[a-z]+", remove1)

上例中使用str.maketrans()方法指定想要删除的字符，再用translate()删除。这是python 3的写法，python 2中可直接使用translate()：

# python 2
remove1 = lambda m:m.group(0).translate(None,"0.")
X.str.replace(r"\.0+[a-z]+", remove1)

3) 将0.0300kg转换为0.03kg。这里由于0.03本身存在0，所以不能用str.maketrans()了，因为会将所有0都删除。所以这里用两个正则表达式分别找到0.03和kg，再拼接起来：

def remove2(data):
    al1 = re.findall(r"\d+\.\d*[1-9]+0+",data.group(0))
    al2 = re.findall(r"[a-z]+",data.group(0))
    return al1[0].rstrip("0") + al2[0]

X.str.replace(r"\d+\.\d*[1-9]+0+[a-z]+", remove2)

4) 将1.100%转换为1 100%， 这么做的目的是1.100%可能会被转换为一个词，而实际想要提取的肯定只有100%：

def remove3(data):
    al1 = re.findall(r"\d+(?=\.)", data.group(0))  # 这里使用了零宽断言(?=)，是为了去除”.“
    al2 = re.findall(r"100%", data.group(0))
    return al1[0]+" "+al2[0]

X.str.replace(r"\d+\.100%", remove3)   

5) 商品中有很多衣服鞋子之类的，一般都标有尺码，比如3",15”等。这里要把后面的尺码符号‘ ” ’提取出来并用“colon”表示，让模型识别出前面的数字3和15是代表尺码大小。

def findcolon(data):
    al1 = re.findall(r'\d{1,2}\.\d{1,3}|\d{1,2}|1\d{2}', data.group(0)) 
    return al1[0]+" colon "

X.str.replace(r'(?:\d{1,2}\.\d{1,3}|\d{1,2}|1\d{2})(?:\s?\")', findcolon) # 匹配2.3“, 55", 132"等，转换为2.3 colon

由此，本文结合比赛中的例子介绍了几种清洗文本的方法，另外Pandas中还提供了其他很多有用的处理文本的方法，详见文档 Working with Text Data 。

/