我有一个数据框df
。我想从 Max==45 的推文中提取主题标签:
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
我正在尝试类似的方法,但它给出了空数据框:
df.loc[df['Max'] == 45, [hsh for hsh in 'tweets' if hsh.startswith('#')]]
pandas 中是否有一些东西可以用来有效且更快地执行此操作。
您可以使用pd.Series.str.findall
:
In [956]: df.Tweets.str.findall(r'#.*?(?=\s|$)')
Out[956]:
0 [#fashion]
1 [#katamaritribute, #ps3]
2 [#fb]
3 [#Niley, #Niley, #Niley]
这将返回一列list
s.
如果你想先过滤然后查找,你可以很容易地使用boolean indexing
:
In [957]: df.Tweets[df.Max == 45].str.findall(r'#.*?(?=\s|$)')
Out[957]:
2 [#fb]
3 [#Niley, #Niley, #Niley]
Name: Tweets, dtype: object
这里使用的正则表达式是:
#.*?(?=\s|$)
要理解它,请将其分解:
-
#.*?
- 对以主题标签开头的单词进行非贪婪匹配
-
(?=\s|$)
- 提前查找单词结尾或句子结尾
如果可能的话你有#
在一个单词的中间not主题标签,这会产生您不想要的误报。在这种情况下,您可以修改正则表达式以包含lookbehind:
(?:(?<=\s)|(?<=^))#.*?(?=\s|$)
正则表达式lookbehind断言空格或句子的开头必须在a之前#
特点。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)