遍历大熊猫中的行并计算唯一的主题标签

Question

我有一个包含数千条推文的csv文件。可以说数据如下：

Tweet_id   hashtags_in_the_tweet

Tweet_1    [trump, clinton]
Tweet_2    [trump, sanders]
Tweet_3    [politics, news]
Tweet_4    [news, trump]
Tweet_5    [flower, day]
Tweet_6    [trump, impeach]

如您所见，

数据包含tweet_id和每个tweet中的主题标签。我想要做的是转到所有行，最后给我类似值计数的信息：

Hashtag    count
trump      4
news       2
clinton    1
sanders    1
politics   1
flower     1
obama      1
impeach    1

考虑到csv文件包含一百万行（一百万条推文），最好的方法是什么？

Answer 1

Counter + chain

Pandas方法不适用于一系列列表。不存在矢量化方法。一种方法是使用标准库中的collections.Counter：

from collections import Counter
from itertools import chain

c = Counter(chain.from_iterable(df['hashtags_in_the_tweet'].values.tolist()))

res = pd.DataFrame(c.most_common())\
        .set_axis(['Hashtag', 'count'], axis=1, inplace=False)

print(res)

    Hashtag  count
0     trump      4
1      news      2
2   clinton      1
3   sanders      1
4  politics      1
5    flower      1
6       day      1
7   impeach      1

设置

df = pd.DataFrame({'Tweet_id': [f'Tweet_{i}' for i in range(1, 7)],
                   'hashtags_in_the_tweet': [['trump', 'clinton'], ['trump', 'sanders'], ['politics', 'news'],
                                             ['news', 'trump'], ['flower', 'day'], ['trump', 'impeach']]})

print(df)

  Tweet_id hashtags_in_the_tweet
0  Tweet_1      [trump, clinton]
1  Tweet_2      [trump, sanders]
2  Tweet_3      [politics, news]
3  Tweet_4         [news, trump]
4  Tweet_5         [flower, day]
5  Tweet_6      [trump, impeach]

Answer 2

使用np.hstack的另一种选择，并转换为pd.Series，然后使用value_counts。

import numpy as np

df = pd.Series(np.hstack(df['hashtags_in_the_tweet'])).value_counts().to_frame('count')

df = df.rename_axis('Hashtag').reset_index()

print (df)

    Hashtag  count
0     trump      4
1      news      2
2   sanders      1
3   impeach      1
4   clinton      1
5    flower      1
6  politics      1
7       day      1

Answer 3

使用np.unique

v,c=np.unique(np.concatenate(df.hashtags_in_the_tweet.values),return_counts=True)

#pd.DataFrame({'Hashtag':v,'Count':c})

即使问题看起来有所不同，但仍然与unnesting问题有关

unnesting(df,['hashtags_in_the_tweet'])['hashtags_in_the_tweet'].value_counts()

Answer 4

听起来像collections.Counter之类的声音，您可能会这样使用...

from collections import Counter
from functools import reduce 
import operator
import pandas as pd 

fold = lambda f, acc, xs: reduce(f, xs, acc)
df = pd.DataFrame({'Tweet_id': ['Tweet_%s'%i for i in range(1, 7)],
                   'hashtags':[['t', 'c'], ['t', 's'], 
                               ['p','n'], ['n', 't'], 
                               ['f', 'd'], ['t', 'i', 'c']]})
fold(operator.add, Counter(), [Counter(x) for x in df.hashtags.values])

为您提供

Counter({'c': 2, 'd': 1, 'f': 1, 'i': 1, 'n': 2, 'p': 1, 's': 1, 't': 4})

编辑：我认为jpp的答案会快很多。如果时间确实是一个限制，那么我将避免首先将数据读取到DataFrame中。我不知道原始csv文件是什么样子，但是按行将其读取为文本文件，忽略第一个标记，然后将其余部分馈入Counter可能会有点麻烦快点。

Answer 5

因此，以上所有答案都很有帮助，但实际上没有用！我的数据存在以下问题：1）某些推文提交的'hashtags'的值为nan或[]。 2）数据框中的'hashtags'字段的值是一个字符串！以上答案假设主题标签的值是主题标签的列表，例如['trump', 'clinton']，而实际上只是一个str：'[trump, clinton]'。所以我在@jpp的答案中添加了几行：

#deleting rows with nan or '[]' values for in column hashtags 
df = df[df.hashtags != '[]']
df.dropna(subset=['hashtags'], inplace=True)

#changing each hashtag from str to list
df.hashtags = df.hashtags.str.strip('[')
df.hashtags = df.hashtags.str.strip(']')
df.hashtags = df.hashtags.str.split(', ')

from collections import Counter
from itertools import chain

c = Counter(chain.from_iterable(df['hashtags'].values.tolist()))

res = pd.DataFrame(c.most_common())\
        .set_axis(['Hashtag', 'count'], axis=1, inplace=False)

print(res)