Question

我在jupyter笔记本上工作并拥有一个pandas数据框＆＃34;数据＆＃34;：

Question_ID | Customer_ID | Answer
      1           234         Data is very important to use because ... 
      2           234         We value data since we need it ...

我想仔细阅读＃34;答案＆＃34;并获得单词＆＃34; data＆＃34;之前和之后的三个单词。所以在这种情况下，我会得到＆＃34;非常重要＆＃34 ;; ＆＃34;我们重视＆＃34;，＆＃34;因为我们需要＆＃34;。

在pandas数据框中有没有好的方法呢？到目前为止，我只找到了解决方案，其中＆＃34;答案＆＃34;将是自己的文件运行python代码（没有pandas数据帧）。虽然我意识到我需要使用NLTK库，但之前我还没有使用它，所以我不知道最好的方法是什么。（这是一个很好的例子Extracting a word and its prior 10 word context to a dataframe in Python）

Answer 1

这可能有效：

<meta>

输出：

import pandas as pd
import re

df = pd.read_csv('data.csv')

for value in df.Answer.values:
    non_data = re.split('Data|data', value) # split text removing "data"
    terms_list = [term for term in non_data if len(term) > 0] # skip empty terms
    substrs = [term.split()[0:3] for term in terms_list]  # slice and grab first three terms
    result = [' '.join(term) for term in substrs] # combine the terms back into substrings
    print result

Answer 2

使用生成器表达式，re.findall和itertools.chain.from_iterable函数的解决方案：

import pandas as pd, re, itertools

data = pd.read_csv('test.csv')  # change with your current file path

data_adjacents = ((i for sublist in (list(filter(None,t))
                         for t in re.findall(r'(\w*?\s*\w*?\s*\w*?\s+)(?=\bdata\b)|(?<=\bdata\b)(\s+\w*\s*\w*\s*\w*)', l, re.I)) for i in sublist)
                            for l in data.Answer.tolist())

print(list(itertools.chain.from_iterable(data_adjacents)))

输出：

[' is very important', 'We value ', ' since we need']

python pandas上下文中的数据框文字：获取前后3个单词

2 个答案: