字符串:打开文本分析的大门

Strings: The Gateway to Text Analysis

文本分析的第一步不是跑模型,而是读懂字符串。评论、标题、聊天记录 — 在 Python 里全是 str 类型。掌握字符串操作,就掌握了一半的预处理。

1. 创建字符串

用单引号、双引号、三引号都可以,中文也直接支持:

# 三种写法等价


s1 = '这款手机真不错'


s2 = "物流太慢了"


s3 = """多行


文本也可以"""

2. 索引与切片

字符串像数组一样,从 0 开始编号:左闭右开。

s = "Python文本分析"


s[0]      # 'P'        第 1 个字符


s[-1]     # '析'       最后 1 个


s[0:6]    # 'Python'   前 6 个


s[6:]     # '文本分析'  从第 7 个开始到结尾


s[::-1]   # '析分本文nohtyP'  反转

3. 常用方法(必背 8 个)

text = "  这款手机真不错!拍照很清晰  "


text.strip()              # 去掉首尾空格


text.replace('手机', '相机')  # 替换


text.split('!')           # 按 ! 切分


'!'.join(['a', 'b'])      # 拼接


text.lower()              # 转小写


text.upper()              # 转大写


text.startswith('这')     # 是否以 这 开头


text.endswith(' ')        # 是否以空格结尾

4. f-string 格式化(强烈推荐)

比 % 和 .format() 都直观,Python 3.6+ 必备:

name = "情感分析"


version = "3.0"


accuracy = 0.92


print(f"{name} V{version} 准确率 {accuracy:.0%}")


# → 情感分析软件 准确率 92%

5. 一个真实案例:清理评论文本

raw = "  这款手机@小米 真心不错!http://t.cn/abc123  👍👍  "





# 清理步骤


clean = raw.strip()                              # 去首尾空白


clean = clean.replace('@小米', '')                 # 去 @用户


import re


clean = re.sub(r'http\S+', '', clean)              # 去 URL


clean = re.sub(r'[^\w\s\u4e00-\u9fff!！?？,。.]', '', clean)  # 去 emoji


print(clean)  # → '这款手机 真心不错!  '





words = clean.split()                             # 按空格分词


print(words)  # → ['这款手机', '真心不错!']

这 5 行代码的"清洗模板",是文本分析项目的标配。下一节我们把它扩展成批量处理 5 万条评论。