{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Текст: .str\n",
"\n",
"Методы строк для целого столбца: убрать пробелы, выровнять регистр, заменить часть текста, найти подстроку, разбить на слова. Невидимые пробелы и разница между str.replace и replace.\n",
"\n",
"Курс pandas · урок `pd-strings` · [урок на сайте](https://ds-edu-trainer.vercel.app/courses/pandas/strings).\n",
"\n",
"Выполняйте ячейки по порядку (Shift+Enter), начиная с первой — она готовит урок. После каждого упражнения идёт\n",
"ячейка проверки: она печатает ✓ / ✗ и итог."
],
"id": "intro"
},
{
"cell_type": "code",
"metadata": {
"cellView": "form",
"jupyter": {
"source_hidden": true
}
},
"source": [
"# @title Подготовка урока — выполните эту ячейку первой\n",
"# Проверяет версии пакетов, записывает файлы данных в папку data/ и определяет _check — проверку упражнений.\n",
"import base64, os, zlib\n",
"\n",
"for _name, _min in {\"numpy\":\"2.0\",\"pandas\":\"3.0\"}.items():\n",
" try:\n",
" _have = __import__(_name).__version__\n",
" except ImportError:\n",
" print(f\"Нет пакета {_name}: выполните %pip install {_name} и перезапустите ядро\")\n",
" continue\n",
" if tuple(int(x) for x in _have.split(\".\")[:2]) < tuple(int(x) for x in _min.split(\".\")):\n",
" print(f\"Урок написан для {_name} {_min} и новее, у вас {_have}: выполните %pip install -U {_name} и перезапустите ядро\")\n",
"\n",
"_DATA = {\n",
" \"supplier_prices.csv\": \"\"\"\n",
"eNp9lF1O20AUhd9ZxSzggmbGP0l2wQ4qlEQVqtogCA99swlVKpEKov6AKFUpVKISlRp+XEISmy2cuwVWUl3baew05cEPY8397pl7\n",
"zszGZquxXW8/W2/Qq7WXTaqvtZvPW5uvaWNzvd6kemurTVvtVv0FbW801trNxtKqNsTvOMQDB4g45BDJMoeYpIueMgoj3CjCMRLe\n",
"RURGeb5Wjzsx1awmI5+3os2K1dZfWtU23YkxdzDBFYa8r6ynFW5mhEpe72pNvkvGKZQ7ImYXQyR4KBQX+ledvNrXRMYWal1CH6c4\n",
"wCGO8BlH+CXqj/G+KN6pZOVVL2vuFwDe340KV4hwJ2dP1xgixuC/J0GMiHcUbjFAjJj3+A15tfLJfFIKF9znQDbgXnEXA9wrozPm\n",
"haxoKs/4mox2ybgFRIVwiAhj7j+FcG2OqArClBFVwnlqTjxX5dWyKlvRVJ3rWyOccYABrnkfMRLpHOIKCQfKK0JsDjFGk3EqpQEY\n",
"LQP4gURmijEGuFW4EQb3MMIQ94Rv2X8kHPIOhmSmPC1eF6wyhvAVEXcRIeaeGJbgmsNcX7QAlVslQ3GqZWVWlJ2kHouDY+4pXCt+\n",
"W9S6iOl4s0lXbVmgk3olUebg30prnw5OIdbGJYw44A5+Y4SBkqaYYKxkAsLrSDX5duafTL9I8Ih35XYj5u7y7KLPEazS/nTcrqZy\n",
"fI0vGehwkGqQ1wG3ciV4fx4yDZJxrZhWZFTSKyBJQYwhRgp3EioMOEDC3SzUZZ5Rrsl4j8EH8ku5NFXh5XcRk9QpUSfDElqm7gAj\n",
"DrMDc0da8R45ys2ts9pokjwUuTXC9/QJ+YkznOJSoY9znOAAn/AFl/i4mGr9WVo9XTq61YQzRBykMgt2LiYZZfNXztfiZSmvfwDH\n",
"5s7A\n",
"\"\"\",\n",
"}\n",
"os.makedirs(\"data\", exist_ok=True)\n",
"for _name, _packed in _DATA.items():\n",
" with open(os.path.join(\"data\", _name), \"wb\") as _f:\n",
" _f.write(zlib.decompress(base64.b64decode(_packed)))\n",
"print(\"Файлы данных:\", \", \".join(sorted(_DATA)))\n",
"\n",
"# ─── Проверка упражнений: тот же раннер, что у задач на сайте ───\n",
"# ─── Запуск тестов ───────────────────────────────────────────────────────────\n",
"\n",
"_TIMEOUT = 2.0 # секунд на тест; отдельный тест может задать свой: test_x.timeout = 10\n",
"\n",
"\n",
"def _call_with_timeout(target, seconds: float) -> bool:\n",
" \"\"\"Запускает target() в отдельном потоке. Возвращает False, если за seconds он не завершился.\"\"\"\n",
" import sys\n",
" import threading\n",
"\n",
" if sys.platform == \"emscripten\": # Python в браузере: потоков нет, таймаут обеспечивает страница\n",
" target()\n",
" return True\n",
" # Большой стек нужен, чтобы глубокая рекурсия давала RecursionError, а не аварийное завершение Python.\n",
" for megabytes in (256, 64, 0):\n",
" try:\n",
" threading.stack_size(megabytes * 1024 * 1024)\n",
" worker = threading.Thread(target=target, daemon=True)\n",
" worker.start()\n",
" except (ValueError, RuntimeError, MemoryError):\n",
" continue\n",
" worker.join(seconds)\n",
" return not worker.is_alive()\n",
" target() # потоки недоступны — запускаем без таймаута\n",
" return True\n",
"\n",
"\n",
"def _test_info(fn) -> dict:\n",
" \"\"\"Описание теста, его лимит времени и сообщение на случай зависания.\"\"\"\n",
" limit = getattr(fn, \"timeout\", _TIMEOUT)\n",
" hint = getattr(fn, \"timeout_hint\", \"\")\n",
" message = (\n",
" f\"тест не завершился за {limit:g} с — возможно, бесконечный цикл или рекурсия: \"\n",
" \"проверьте, что границы/аргументы изменяются на каждом шаге\" + (f\". {hint}\" if hint else \"\")\n",
" )\n",
" return {\"title\": (fn.__doc__ or fn.__name__).strip(), \"timeout\": limit, \"timeout_message\": message}\n",
"\n",
"\n",
"def _error_result(title: str, error: BaseException, user_file: str | None) -> dict:\n",
" \"\"\"Результат упавшего теста: статус, сообщение, тип исключения и строка в коде решения.\"\"\"\n",
" line = None\n",
" if user_file: # самый глубокий кадр в коде решения; ошибка внутри самих тестов — без номера строки\n",
" tb = error.__traceback__\n",
" while tb is not None:\n",
" if tb.tb_frame.f_code.co_filename == user_file:\n",
" line = tb.tb_lineno\n",
" tb = tb.tb_next\n",
" status, message = \"error\", f\"{type(error).__name__}: {error}\"\n",
" if isinstance(error, NotImplementedError):\n",
" status, message, line = \"not_written\", \"функция ещё не написана\", None\n",
" elif isinstance(error, AssertionError):\n",
" status, message = \"failed\", str(error) or \"проверка не прошла\"\n",
" elif isinstance(error, RecursionError):\n",
" message = \"RecursionError: слишком глубокая рекурсия — проверьте базовый случай и то, что задача уменьшается\"\n",
" elif isinstance(error, MemoryError) or (isinstance(error, OverflowError) and \"index-sized\" in str(error)):\n",
" message = f\"{type(error).__name__}: не хватило памяти — возможно, создаётся слишком большая структура данных\"\n",
" return {\"title\": title, \"status\": status, \"message\": message, \"error_type\": type(error).__name__, \"line\": line}\n",
"\n",
"\n",
"def _run_tests(verbose: bool = True, on_start=None, on_result=None, user_file: str | None = None) -> list[dict]:\n",
" \"\"\"Запускает тесты задачи (_TESTS — функции из tests.py) по порядку, каждый — с таймаутом.\n",
"\n",
" Возвращает список результатов: {\"title\", \"status\", \"message\", \"error_type\", \"line\"}, где status —\n",
" passed · failed · error · not_written · timeout · not_run. Если тест завис, при verbose=True печатает\n",
" итог и завершает процесс: зависший поток остановить нельзя. on_start(i) и on_result(i, результат)\n",
" вызываются по мере выполнения; user_file — имя файла с кодом решения для номеров строк в ошибках.\n",
" \"\"\"\n",
" import os\n",
" import sys\n",
"\n",
" if verbose:\n",
" try: # ✓ и кириллица в консоли Windows со старой кодировкой\n",
" sys.stdout.reconfigure(encoding=\"utf-8\")\n",
" except Exception: # noqa: BLE001 — reconfigure может не быть (перенаправленный вывод, браузер)\n",
" pass\n",
"\n",
" tests = list(_TESTS)\n",
" results: list[dict] = []\n",
" not_written = hung = False\n",
" for index, fn in enumerate(tests):\n",
" info = _test_info(fn)\n",
" outcome: dict = {}\n",
"\n",
" def target(fn=fn, outcome=outcome):\n",
" try:\n",
" fn()\n",
" except BaseException as e:\n",
" outcome[\"error\"] = e\n",
"\n",
" if on_start:\n",
" on_start(index)\n",
" if not _call_with_timeout(target, info[\"timeout\"]):\n",
" results.append({\"title\": info[\"title\"], \"status\": \"timeout\", \"message\": info[\"timeout_message\"], \"error_type\": None, \"line\": None})\n",
" for other in tests[index + 1:]:\n",
" results.append({\"title\": _test_info(other)[\"title\"], \"status\": \"not_run\", \"message\": \"не запускался: предыдущий тест завис\", \"error_type\": None, \"line\": None})\n",
" hung = True\n",
" break\n",
" error = outcome.get(\"error\")\n",
" if error is None:\n",
" result = {\"title\": info[\"title\"], \"status\": \"passed\", \"message\": \"\", \"error_type\": None, \"line\": None}\n",
" else:\n",
" result = _error_result(info[\"title\"], error, user_file)\n",
" not_written = not_written or result[\"status\"] == \"not_written\"\n",
" results.append(result)\n",
" if on_result:\n",
" on_result(index, result)\n",
"\n",
" if not_written: # пока функция не написана, «даром» пройденные тесты не засчитываются\n",
" for r in results:\n",
" if r[\"status\"] == \"passed\":\n",
" r.update(status=\"not_written\", message=\"не засчитан, пока функция не написана\")\n",
" for r in results:\n",
" if len(r[\"message\"]) > 300:\n",
" r[\"message\"] = r[\"message\"][:300] + \"…\"\n",
"\n",
" if verbose:\n",
" if not_written:\n",
" print(\"Функция ещё не написана — замените raise NotImplementedError своим кодом.\\n\")\n",
" for r in results:\n",
" mark = {\"passed\": \"✓\", \"not_run\": \"–\"}.get(r[\"status\"], \"✗\")\n",
" print(f\"{mark} {r['title']}\")\n",
" if r[\"message\"]:\n",
" print(f\" {r['message']}\")\n",
" passed = sum(r[\"status\"] == \"passed\" for r in results)\n",
" print(\"─\" * 40)\n",
" print(f\"Прошло {passed} из {len(results)}\" + (\" — всё верно!\" if passed == len(results) else \"\"))\n",
" if hung:\n",
" print(\"Выполнение остановлено: один из тестов завис.\")\n",
" sys.stdout.flush()\n",
" os._exit(1)\n",
" return results\n",
"\n",
"\n",
"def _check(*tests, names=()):\n",
" \"\"\"Запускает проверки упражнения и печатает ✓ / ✗ и итог — как на сайте.\"\"\"\n",
" for name in names:\n",
" if \".\" in name: # «Класс.метод» из заготовки: класс должен быть объявлен\n",
" if not isinstance(globals().get(name.split(\".\")[0]), type):\n",
" print(f\"✗ класс {name.split('.')[0]} не объявлен — выполните ячейку упражнения\")\n",
" return\n",
" continue\n",
" if name not in globals():\n",
" print(f\"✗ переменная {name} не создана — выполните ячейку упражнения\")\n",
" return\n",
" if globals()[name] is Ellipsis:\n",
" print(f\"✗ {name} пока равна ... — замените многоточие своим кодом\")\n",
" return\n",
" globals()[\"_TESTS\"] = list(tests)\n",
" _run_tests()"
],
"execution_count": null,
"outputs": [],
"id": "setup"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Текстовые столбцы — главный источник грязи в данных. Один человек пишет «Москва», другой «москва», третий\n",
"ставит пробел в конце. Для человека это одно и то же, для программы — три разных значения. Продолжим чистить\n",
"прайс поставщика: возьмёмся за названия."
],
"id": "text-10"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# Названия как есть\n",
"import pandas as pd\n",
"\n",
"supplier = pd.read_csv(\"data/supplier_prices.csv\")\n",
"supplier[\"name\"].head(6).tolist()"
],
"execution_count": null,
"outputs": [],
"id": "load"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Лишние пробелы в начале и в конце, строчные и заглавные буквы вперемешку.\n",
"\n",
"## Методы строк — через .str\n",
"\n",
"У строк Python есть методы `lower`, `strip`, `replace` и другие. Но столбец — не строка, и вызвать их у него\n",
"напрямую нельзя:"
],
"id": "text-16"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# У Series нет метода lower\n",
"# Эта ячейка показывает ошибку AttributeError: она перехвачена, чтобы «Выполнить всё» не останавливалось.\n",
"try:\n",
" supplier[\"name\"].lower()\n",
"except Exception as error:\n",
" print(f\"{type(error).__name__}: {error}\")"
],
"execution_count": null,
"outputs": [],
"id": "no-str"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Методы строк у столбца живут за приставкой `.str`. Она значит: «применить к **каждому значению** столбца»:"
],
"id": "text-25"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# Всё строчными\n",
"supplier[\"name\"].str.lower().head(4)"
],
"execution_count": null,
"outputs": [],
"id": "lower"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Через `.str` доступны знакомые методы строк и ещё несколько. Например, `len` — длина каждого значения. Длина\n",
"выдаёт пробелы, которых не видно в таблице:"
],
"id": "text-29"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# Длина до и после strip\n",
"print(supplier[\"name\"].str.len().head(6).tolist())\n",
"print(supplier[\"name\"].str.strip().str.len().head(6).tolist())"
],
"execution_count": null,
"outputs": [],
"id": "len"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"`strip` убирает пробелы в начале и в конце строки. Там, где длины отличаются, они были.\n",
"\n",
"## Невидимые пробелы\n",
"\n",
"Лишний пробел не виден на экране, но ломает сравнение:"
],
"id": "text-34"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# Ищем горький шоколад\n",
"print((supplier[\"name\"] == \"Шоколад горький\").sum())\n",
"print((supplier[\"name\"].str.strip() == \"Шоколад горький\").sum())"
],
"execution_count": null,
"outputs": [],
"id": "invisible"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"В файле он записан как `\" Шоколад горький\"` — с двумя пробелами в начале. Точное сравнение его не находит."
],
"id": "text-42"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"> **Типичная ошибка: фильтр ничего не нашёл, хотя значение есть.**\n",
">\n",
"> Если `таблица[таблица[\"столбец\"] == \"значение\"]` возвращает пустую таблицу, а значение вы видите глазами, —\n",
"> проверьте пробелы и регистр. Помогает `таблица[\"столбец\"].unique()`: в списке значений кавычки показывают,\n",
"> где строка начинается и кончается."
],
"id": "component-45"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Результат метода `.str` — снова Series, поэтому методы можно вызывать цепочкой; приставку `.str` пишут перед\n",
"каждым. Регистр выравнивают четыре метода: `lower` — всё строчными, `upper` — всё заглавными, `title` — каждое\n",
"слово с заглавной буквы, `capitalize` — заглавная только первая буква строки, остальные строчные."
],
"id": "text-50"
},
{
"cell_type": "code",
"metadata": {},
"source": [
"# Убрать пробелы и выровнять регистр: upper и title\n",
"stripped = supplier[\"name\"].str.strip()\n",
"print(stripped.str.upper().head(3).tolist())\n",
"print(stripped.str.title().head(3).tolist())"
],
"execution_count": null,
"outputs": [],
"id": "chain"
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Упражнение 1. Названия в порядок\n",
"\n",
"Приведите столбец `name` таблицы `supplier` к единому виду: без пробелов в начале и в конце, первая буква\n",
"заглавная, остальные строчные. Результат запишите в тот же столбец.\n",
"\n",
"Подсказка 1
\n",
"\n",
"`supplier[\"name\"].str.strip().str.capitalize()`.\n",
"\n",
"Подсказка 2
\n",
"\n",
"Методы возвращают новый Series — запишите его обратно: `supplier[\"name\"] = ...`.\n",
"\n",
"Решение
\n",
"\n",
"```python\n",
"supplier[\"name\"] = supplier[\"name\"].str.strip().str.capitalize()\n",
"```\n",
"\n",
"Подсказка 1
\n",
"\n",
"Две замены подряд: `.str.replace(\" ₽\", \"\")`, затем `.str.replace(\" \", \"\")`.\n",
"\n",
"Подсказка 2
\n",
"\n",
"После замен остаются строки из цифр — их переводит `astype(\"int64\")`.\n",
"\n",
"Решение
\n",
"\n",
"```python\n",
"supplier[\"price\"] = supplier[\"price\"].str.replace(\" ₽\", \"\").str.replace(\" \", \"\").astype(\"int64\")\n",
"price_total = supplier[\"price\"].sum()\n",
"```\n",
"\n",
"Ответ
\n",
"\n",
"`2`\n",
"\n",
"`strip` убрал пробелы: первые два значения стали одинаковыми — «кофе». Третье отличается регистром, а регистр `strip` не трогает. Разных значений два. Одно осталось бы после `.str.strip().str.lower()`.\n",
"\n",
"Подсказка 1
\n",
"\n",
"`supplier[\"name\"].str.contains(\"чай\", case=False)` — маска.\n",
"\n",
"Решение
\n",
"\n",
"```python\n",
"with_tea = supplier[supplier[\"name\"].str.contains(\"чай\", case=False)]\n",
"real_tea = supplier[supplier[\"category\"] == \"Чай\"]\n",
"```\n",
"\n",
"Подсказка 1
\n",
"\n",
"`supplier[\"name\"].str.split().str[-1]`.\n",
"\n",
"Подсказка 2
\n",
"\n",
"Число — сумма маски `supplier[\"unit\"] == \"г\"`.\n",
"\n",
"Решение
\n",
"\n",
"```python\n",
"supplier[\"unit\"] = supplier[\"name\"].str.split().str[-1]\n",
"n_grams = (supplier[\"unit\"] == \"г\").sum()\n",
"```\n",
"\n",
"