Текст: .str

Текстовые столбцы — главный источник грязи в данных. Один человек пишет «Москва», другой «москва», третий ставит пробел в конце. Для человека это одно и то же, для программы — три разных значения. Продолжим чистить прайс поставщика: возьмёмся за названия.

import pandas as pd

supplier = pd.read_csv("data/supplier_prices.csv")
supplier["name"].head(6).tolist()

['эспрессо-смесь 1 кг ', 'Колумбия 250 г', 'эфиопия 250 г ', 'БРАЗИЛИЯ 1 КГ', 'Кофе без кофеина 250 г', '  Чёрный чай 100 г']

Лишние пробелы в начале и в конце, строчные и заглавные буквы вперемешку.

Методы строк — через .str

У строк Python есть методы lower, strip, replace и другие. Но столбец — не строка, и вызвать их у него напрямую нельзя:

supplier["name"].lower()

AttributeError: 'Series' object has no attribute 'lower'

Методы строк у столбца живут за приставкой .str. Она значит: «применить к каждому значению столбца»:

supplier["name"].str.lower().head(4)

0    эспрессо-смесь 1 кг
1          колумбия 250 г
2          эфиопия 250 г
3           бразилия 1 кг
Name: name, dtype: str

Через .str доступны знакомые методы строк и ещё несколько. Например, len — длина каждого значения. Длина выдаёт пробелы, которых не видно в таблице:

print(supplier["name"].str.len().head(6).tolist())
print(supplier["name"].str.strip().str.len().head(6).tolist())

[20, 14, 14, 13, 22, 18]
[19, 14, 13, 13, 22, 16]

strip убирает пробелы в начале и в конце строки. Там, где длины отличаются, они были.

Невидимые пробелы

Лишний пробел не виден на экране, но ломает сравнение:

print((supplier["name"] == "Шоколад горький").sum())
print((supplier["name"].str.strip() == "Шоколад горький").sum())

0
1

В файле он записан как " Шоколад горький" — с двумя пробелами в начале. Точное сравнение его не находит.

Результат метода .str — снова Series, поэтому методы можно вызывать цепочкой; приставку .str пишут перед каждым. Регистр выравнивают четыре метода: lower — всё строчными, upper — всё заглавными, title — каждое слово с заглавной буквы, capitalize — заглавная только первая буква строки, остальные строчные.

stripped = supplier["name"].str.strip()
print(stripped.str.upper().head(3).tolist())
print(stripped.str.title().head(3).tolist())

['ЭСПРЕССО-СМЕСЬ 1 КГ', 'КОЛУМБИЯ 250 Г', 'ЭФИОПИЯ 250 Г']
['Эспрессо-Смесь 1 Кг', 'Колумбия 250 Г', 'Эфиопия 250 Г']

# приведите в порядок столбец name таблицы supplier

supplier["name"] = supplier["name"].str.strip().str.capitalize()

Заменить часть текста

.str.replace(что, на что) заменяет часть текста внутри каждого значения:

supplier["price"].str.replace(" ₽", "").head(3).tolist()

['1 560', '760', '830']

Не путайте с методом replace без .str из прошлого модуля: тот заменяет значение целиком. Значения " ₽" в столбце нет, и он ничего не меняет:

supplier["price"].replace(" ₽", "").head(3).tolist()

['1 560 ₽', '760 ₽', '830 ₽']

Теперь можно довести до конца то, что не получилось в прошлом уроке, — сделать цены числами. Мешают знак рубля и пробел между тысячами.

# превратите столбец price таблицы supplier в числа
price_total = ...

supplier["price"] = supplier["price"].str.replace(" ₽", "").str.replace(" ", "").astype("int64")
price_total = supplier["price"].sum()

Найти подстроку

.str.contains(текст) возвращает маску: есть ли текст внутри значения.

supplier[supplier["name"].str.contains("кофе")]

Нашёлся только «Кофе без кофеина» — и то благодаря слову «кофеина»: поиск учитывает регистр, а «Кофемолка» пишется с заглавной. Параметр case=False отключает учёт регистра:

supplier.loc[supplier["name"].str.contains("кофе", case=False), "name"].tolist()

['Кофе без кофеина 250 г', 'Кофемолка ручная']

Есть и родственные методы: .str.startswith(текст) — начинается с текста, .str.endswith(текст) — заканчивается им.

with_tea = ...
real_tea = ...

with_tea = supplier[supplier["name"].str.contains("чай", case=False)]
real_tea = supplier[supplier["category"] == "Чай"]

В with_tea попал заварочный чайник, а травяной сбор — нет, хотя он чай. Поиск по подстроке удобен, но слеп к смыслу: проверяйте глазами, что именно нашлось.

Разбить на части

.str.split() разбивает каждое значение на слова по пробелам. В ячейке оказывается список:

words = supplier["name"].str.split()
words.head(3).tolist()

[['Эспрессо-смесь', '1', 'кг'], ['Колумбия', '250', 'г'], ['Эфиопия', '250', 'г']]

Элемент списка достают через .str[номер] — как индекс у обычного списка:

print(words.str[0].head(3).tolist())
print(words.str[-1].head(3).tolist())

['Эспрессо-смесь', 'Колумбия', 'Эфиопия']
['кг', 'г', 'г']

Для самих строк .str[...] работает как срез — берёт символы:

print(supplier["updated"].head(3).tolist())
print(supplier["updated"].str[:2].head(3).tolist())

['15.01.2026', '13.01.2026', '12.01.2026']
['15', '13', '12']

Текстовые столбцы можно складывать друг с другом и со строками — получается склейка:

(supplier["product_id"] + ": " + supplier["name"]).head(3).tolist()

['P01: Эспрессо-смесь 1 кг', 'P02: Колумбия 250 г', 'P03: Эфиопия 250 г']

# добавьте в supplier столбец unit — последнее слово названия
n_grams = ...

supplier["unit"] = supplier["name"].str.split().str[-1]
n_grams = (supplier["unit"] == "г").sum()

Итоги

• Методы строк вызывают через .str: столбец.str.lower(); в цепочке .str пишут перед каждым методом.
• strip — убрать пробелы по краям, lower / upper / title / capitalize — регистр, len — длина.
• .str.replace меняет часть текста; replace без .str — значение целиком.
• .str.contains(текст, case=False) — маска «текст встречается».
• .str.split() — список слов, .str[i] — элемент списка или символы строки.