我从一个较大的DataFrame和一个DataFrame中提取了一系列关键字,其中包括一列字符串。我想屏蔽DataFrame,找出哪些字符串至少包含一个关键字。 "关键词"系列如下(抱歉奇怪的话):
Skilful
Wilful
Somewhere
Thing
Strange
DataFrame如下所示:
User_ID;Tweet
01;hi all
02;see you somewhere
03;So weird
04;hi all :-)
05;next big thing
06;how can i say no?
07;so strange
08;not at all
到目前为止,我在pandas中使用了str.contains()函数,如:
mask = df['Tweet'].str.contains(str(Keywords['Keyword'][4]), case=False)
很适合找到" Strange" DataFrame中的字符串并返回:
0 False
1 False
2 False
3 False
4 False
5 False
6 True
7 False
Name: Tweet, dtype: bool
我想要做的是用所有关键字数组掩盖整个DataFrame,所以我可以这样:
0 False
1 True
2 False
3 False
4 True
5 False
6 True
7 False
Name: Tweet, dtype: bool
是否可以不通过数组循环?在我的实际情况中,我必须搜索数百万字符串,所以我正在寻找一种快速的方法。
感谢您的帮助。
答案 0 :(得分:2)
import re
df['Tweet'].str.match('.*({0}).*'.format('|'.join(phrases)))
phrases
是一个可迭代的短语,你的存在是你的存在。
答案 1 :(得分:1)
实现此目的的另一种方法是将 pd.Series.isin()与地图和应用一起使用,您的样本将是像:
df # DataFrame
User_ID Tweet
0 1 hi all
1 2 see you somewhere
2 3 So weird
3 4 hi all :-)
4 5 next big thing
5 6 how can i say no?
6 7 so strange
7 8 not at all
w # Series
0 Skilful
1 Wilful
2 Somewhere
3 Thing
4 Strange
dtype: object
# list
masked = map(lambda x: any(w.apply(str.lower).isin(x)), \
df['Tweet'].apply(str.lower).apply(str.split))
df['Tweet_masked'] = masked
<强>结果:强>
df
Out[13]:
User_ID Tweet Tweet_masked
0 1 hi all False
1 2 see you somewhere True
2 3 So weird False
3 4 hi all :-) False
4 5 next big thing True
5 6 how can i say no? False
6 7 so strange True
7 8 not at all False
作为附注, isin 仅在整个字符串与值匹配时才有效,以防您只对str.contains
感兴趣,此处有变体:
masked = map(lambda x: any(_ in x for _ in w.apply(str.lower)), \
df['Tweet'].apply(str.lower))
更新:正如@Alex指出的那样,将map和regexp结合起来效率可能更高,实际上我并不喜欢地图 + lambda 不,我们走了:
import re
r = re.compile(r'.*({}).*'.format('|'.join(w.values)), re.IGNORECASE)
masked = map(bool, map(r.match, df['Tweet']))
答案 2 :(得分:0)
一个简单的apply
可以解决这个问题。如果您可以经历几秒钟的处理,我认为这是您可以使用的最简单方法,而无需在pandas
之外冒险。
import pandas as pd
df = pd.read_csv("dict.csv", delimiter=";")
ref = pd.read_csv("ref.csv")
kw = set([k.lower() for k in ref["Keywords"]])
print kw
boom = lambda x:True if any(w in kw for w in x.split()) else False
df["Tweet"] = df["Tweet"].apply(boom)
print df
我对10,165,760行的准备数据进行了测试,并在18.9秒内完成。如果这还不够快,那么需要一种更好的方法。
set(['somewhere', 'thing', 'strange', 'skilful', 'wilful'])
User_ID Tweet
0 1 False
1 2 True
2 3 False
3 4 False
4 5 True
5 6 False
6 7 True
7 8 False
8 1 False
9 2 True
10 3 False
11 4 False
12 5 True
13 6 False
14 7 True
15 8 False
16 1 False
17 2 True
18 3 False
19 4 False
20 5 True
21 6 False
22 7 True
23 8 False
24 1 False
25 2 True
26 3 False
27 4 False
28 5 True
29 6 False
... ... ...
10165730 3 False
10165731 4 False
10165732 5 True
10165733 6 False
10165734 7 True
10165735 8 False
10165736 1 False
10165737 2 True
10165738 3 False
10165739 4 False
10165740 5 True
10165741 6 False
10165742 7 True
10165743 8 False
10165744 1 False
10165745 2 True
10165746 3 False
10165747 4 False
10165748 5 True
10165749 6 False
10165750 7 True
10165751 8 False
10165752 1 False
10165753 2 True
10165754 3 False
10165755 4 False
10165756 5 True
10165757 6 False
10165758 7 True
10165759 8 False
[10165760 rows x 2 columns]
[Finished in 18.9s]
希望这有帮助。