从 pandas 数据帧的列中提取主题标签

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lists.

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。