从pandas数据帧的列中提取主题标签-Java 学习之路

我有一个数据框 df . 我想从推文中提取主题标签，其中Max == 45：

Max    Tweets
42   via @VIE_unlike at #fashion
42   Ny trailer #katamaritribute #ps3
45   Saved a baby bluejay from dogs #fb
45   #Niley #Niley #Niley

我尝试这样的东西，但它给出了空的数据帧：

df.loc[df['Max'] == 45, [hsh for hsh in 'tweets' if hsh.startswith('#')]]

大熊猫有什么东西我可以用来有效和快速地执行这个 .

1 回答

3
你可以使用 pd.Series.str.findall ：
```
In [956]: df.Tweets.str.findall(r'#.*?(?=\s|$)')
Out[956]: 
0                  [#fashion]
1    [#katamaritribute, #ps3]
2                       [#fb]
3    [#Niley, #Niley, #Niley]
```
这将返回 list 的列 .

如果你想先过滤然后找到，你可以很容易地使用 boolean indexing ：
```
In [957]: df.Tweets[df.Max == 45].str.findall(r'#.*?(?=\s|$)')
Out[957]: 
2                       [#fb]
3    [#Niley, #Niley, #Niley]
Name: Tweets, dtype: object
```
这里使用的正则表达式是：
```
#.*?(?=\s|$)
```
要理解它，分解它：
- #.*? - 对以＃标签开头的单词执行非贪婪匹配
- (?=\s|$) - 预言句子的结尾或句子的结尾
如果你可能在一个不是标签的单词中间有 # ，那就会产生你不想要的误报 . 在这种情况下，您可以修改您的正则表达式以包含一个lookbehind：
```
(?:(?<=\s)|(?<=^))#.*?(?=\s|$)
```
正则表达式后台断言，空格或句子的开头必须在 # 字符之前 .
回复于 2024-04-26T08:12:13+08:00

从pandas数据帧的列中提取主题标签

1 回答

相关问题