文本分析：使用 python 查找列中最常见的单词

我创建了一个数据框，其中只有一个带有主题行的列。

df = activities.filter(['Subject'],axis=1)
df.shape

这返回了这个数据框：

    Subject
0   Call Out: Quadria Capital - May Lo, VP
1   Call Out: Revelstoke - Anthony Hayes (Sr Assoc...
2   Columbia Partners: WW Worked (Not Sure Will Ev...
3   Meeting, Sophie, CFO, CDC Investment
4   Prospecting

然后我尝试用以下代码分析文本：

import nltk
top_N = 50
txt = df.Subject.str.lower().str.replace(r'\|', ' ')
words = nltk.tokenize.word_tokenize(txt)
word_dist = nltk.FreqDist(words)

stopwords = nltk.corpus.stopwords.words('english')
words_except_stop_dist = nltk.FreqDist(w for w in words if w not in stopwords) 

rslt = pd.DataFrame(word_dist.most_common(top_N), columns=['Word', 'Frequency'])
print(rslt)

我收到的错误消息是：“系列”对象没有属性“主题”

抛出错误是因为您已转换df到这一行的一个系列：

df = activities.filter(['Subject'],axis=1)

所以当你说：

txt = df.Subject.str.lower().str.replace(r'\|', ' ')

df 是系列，没有系列属性。尝试替换为：

txt = df.str.lower().str.replace(r'\|', ' ')

或者，不要将您的 DataFrame 过滤为单个 Series 之前和之后

txt = df.Subject.str.lower().str.replace(r'\|', ' ')

应该管用。

[UPDATE]

我上面所说的是不正确的，正如所指出的那样，过滤器不会返回 Series，而是返回具有单列的 DataFrame。