这一页有部分内容暂时无法显示，其余内容完整。

1. Data Wrangling Tasks

数据清洗是指获取、清理、结构化和丰富原始数据，将其转换为可直接用于分析格式的过程。

包含的阶段：数据发现 、数据预处理 、数据收集 、数据转换 、数据清理 、数据存储 、数据丰富 、数据验证 。

2. Regular Expressions

正则表达式是描述文本模式的一组符号

正则表达式在从文本（如日志文件、HTML/XML 文件和其他文档）中查找、替换和提取信息时非常有用。

• 在文档中搜索包含或不包含 'u' 的单词 colour 或 neighbour。
• 将制表符 (tab) 分隔的文件转换为逗号分隔的文件。
• 在文本中查找重复的单词。
• 搜索并将 "Bob" 和 "Bobby" 替换为 "Robert"。

正则表达式在验证输入是否符合文本模式时非常有用，例如验证：

• 电话号码：电话号码的位数正确吗？
• 电子邮件：电子邮件地址的格式有效吗？
• 日期：日期格式正确吗？月份超过 12 了吗？

3. Regular Expression Syntax

Test your Regular Expression

Character Sets

字符集

• 匹配包含一个或多个字面字符的字符串，称为字符串字面量 (string literals)
• cat 匹配 "cattle" 和 "catfish" 的前三个字符

  • cat 匹配 "cat"
  • cat 匹配 "cattle" 和 "catfish" 的前三个字符
• 这与文本编辑程序中的搜索功能类似。
• 匹配是区分大小写的：

  • cat 不匹配 "Cat"

[…]

Character Sets

[…] indicate a set of characters

• 匹配集合中的几个字符之一，但仅匹配一个字符。
• 字符的顺序无关紧要。

[a-zA-Z] and [0-9]

Character Ranges

• 可以通过给出两个字符并用 '-' 分隔它们来指示字符范围。
• [a-z] or [A-Z]
• [0-9]

[50-99] 并不是指 50 到 99 之间的所有数字，它的效果与 [0-9] 相同 结合[…], [50-99] 匹配5, 0-9, 9

[^…]

Negative Character Sets

否定字符集 [^…]，表示不包含

• 如果集合的第一个字符是 ^，则将匹配所有不在该集合中的字符

[.+]

Metacharacters Inside Character Sets 字符集中的元字符

• 在正则表达式中，像 .、+、*、(、) 这样的符号通常有特殊含义（元字符）。但在方括号 [] 内部，它们大多会自动变成普通字符。

Shorthand Character Sets

Repetition

重复

• * 匹配前一个正则表达式的 0 次或多次重复
• + 匹配前一个正则表达式的 1 次或多次重复
• ? 匹配前一个正则表达式的 0 次或 1 次重复

Quantified Repetitions (量化重复)

{m, n}：精确匹配前一个正则表达式的 m 到 n 次重复。

• m (最小值) 和 n (最大值) 是正数
• m 必须始终被包含，可以为 0
• n 是可选的

此处有一段内容暂不支持显示。

Grouping (…)

分组

(...) 匹配括号内的任何正则表达式，并指示一个组的开始和结束。

• 允许将重复操作符应用于整组正则表达式。
• 使正则表达式更易于阅读。
• 创建捕获组以用于匹配、替换和提取，即可以检索出该组的内容。
• 不能在字符集内部使用。

Alternation |

“|” 是一个 OR（或）操作符。

• A|B 将匹配符合 A 或符合 B 的任何字符串。
• 有序性：最左侧的表达式具有优先权。
• 可以链式连接多个模式。
• 对交替表达式进行分组，以保持它们的独立性。

此处有一段内容暂不支持显示。

The Backslash Plague \

反斜杠 \ 表示特殊形式，或者允许您使用特殊字符而不触发它们的特殊含义

Python 解释器和正则表达式引擎都要使用 \ 作为“转义字符”，导致你需要写“转义的转义”才能匹配到一个普通的斜杠

❓如何简化这个表达式?

使用Raw String

Raw String in Python

原始字符串会抑制转义字符的实际含义，并且根本不将反斜杠视为特殊字符

在 Python 代码中，通常会使用这种原始字符串表示法来编写正则表达式。