计算文本列中两个单词出现次数的两种方法

Question

我是熊猫新手，现在正在Kaggle上学习。

这是一个练习，要求在描述列中查找两个单词的出现次数。

我从stackoverflow找到了第一个语句，但是第二个是正确的答案。产生这种不同结果的原因是什么？ 谢谢!!!

1。从stackoverflow找到

tropical = reviews.description.str.count("tropical").sum()
fruity = reviews.description.str.count("fruity").sum()
descriptor_counts = pd.Series([tropical,fruity])

`

2。正确答案

tropical = reviews.description.map(lambda desc: 'tropical' in desc).sum()
fruity = reviews.description.map(lambda desc: 'fruity' in desc).sum()
descriptor_counts = pd.Series([tropical, fruity],index=['tropical','fruity'])

第一个结果是[3703, 9259] 第二个结果是[3607, 9090]

更新！最初的问题是： 创建一个Series descriptor_counts，计算这两个单词中每个单词出现在数据集的描述栏中的次数。

Answer 1

第一个比较少，因为它只获取是 'tropical'或'fruity'的值。

所以：

>>> s='a'
>>> s=='a'
True

但是第二个是获取包含 'tropical'或'fruity'的值，因此上面的内容：

>>> s='ab'
>>> s=='a'
False

它确实如此：

>>> s='ab'
>>> 'a' in s
True

Answer 2

这是一个例子

第一个代码将热带计算为5，将水果计算为4。它计算相同描述中单词的重复。 因此，在此示例中，结果将为[5,4]。

第二个代码将topic计数为4，将水果计数为3。它计算每个描述中单词的存在（if tropical in description）。一旦找到它，无论该描述中有多少个，它都算作一个。 因此，结果将是[4,3]。

所以，我觉得这个问题是错误的。如果问题与两个单词的出现次数有关，则在此示例中[5,4]应该是正确的（在您的情况下为[3703,9259]）。如果问题询问每个单词出现多少个描述，那么您正在使用if word in description来计数描述。因此，再检查一次该问题。

Answer 3

count1, count2 = 0, 0

for i in description.iteritems():
    if "fruity" in i[0]:
        count1 += i[1]
    if "tropical" in i[0]:
        count2 += i[1]

descriptor_counts = pd.Series(data = {"fruity": count1, "tropical": count2},
                          index = ["tropical", "fruity"])

最近我遇到了同样的问题，这将是我不使用“lambda 表达式”的解决方案