Question

此处的新手程序员正在寻求帮助。我有一个看起来像这样的数据框：

           Current
0  "Invest in $APPL, $FB and $AMZN"      
1  "Long $AAPL, Short $AMZN"              
2  "$AAPL earnings announcement soon"             
3  "$FB is releasing a new product. Will $FB's product be good?"
4  "$Fb doing good today"
5  "$AMZN high today. Will $amzn continue like this?"

我还有一个包含所有标签的列表：cashtags = ["$AAPL", "$FB", $AMZN"]

基本上，我想遍历DataFrame的此列中的所有行，并为行保留唯一的现金标签（无论是否用大写字母表示），然后删除所有其他行。所需的输出：

           Desired
2  "$AAPL earnings announcement soon"             
3  "$FB is releasing a new product. Will $FB's product be good?"
4  "$Fb doing good today"
5  "$AMZN high today. Will $amzn continue like this?"

我试图从根本上计算单词在字符串中出现的次数，并将该值添加到新列中，以便我可以根据数字删除行。

for i in range(0,len(df)-1):
    print(i, end = "\r")
    tweet = df["Current"][i]
    count = 0
    for word in cashtags:
        count += str(tweet).count(word)
    df["Word_count"][i] = count

但是，如果这样做，我将删除不需要的行。例如，多次提及唯一现金标签的行（[3]，[5]）

如何获得所需的输出？

Answer 1

您应该对每个现金标签的存在或不存在进行汇总，而不是对每个现金标签的计数求和，因为您不必在乎每个现金标签出现多少次，而只在乎多少现金标签。

for tag in cashtags:
    count += tag in tweet

或更简洁地说：sum(tag in tweet for tag in cashtags)

要使比较大小写不敏感，可以事先将推文大写。此外，过滤临时序列并避免显式循环遍历数据框会更加惯用（尽管您可能需要阅读有关Pandas的更多内容才能了解其工作原理）：

df[df.Current.apply(lambda tweet: sum(tag in tweet.upper() for tag in cashtags)) == 1]

Answer 2

如果您想将问题推广到任何标签，那么这是使用正则表达式的好地方。您想与(\$w+)(?!.*/1)进行比对，例如here进行了详细说明，但是一般结构为：

\$w+：找到一个美元符号，后跟一个或多个字母/数字（或 _），如果您只想计算您拥有多少标签，这就是您所需要的

例如

df.Current.str.count(r'\$\w+')

将打印

但是这将删除多个元素具有相同元素的情况，因此您需要添加负向提前表示不匹配

(?!.*/1)：前瞻性为负，表示不匹配，如果稍后再进行相同的匹配。这将意味着在字符串中仅计算最后一个标签。

使用此方法，您可以使用熊猫DataFrame.str方法，特别是DataFrame.str.count（re.I区分大小写）

import re
df[df.Current.str.count(r'(\$\w+)(?!.*\1)', re.I) == 1]

这将为您提供所需的输出

                                             Current
2                   $AAPL earnings announcement soon
3  $FB is releasing a new product. Will $FB's pro...
4                               $Fb doing good today
5   $AMZN high today. Will $amzn continue like this?

根据字符串中的单词从DataFrame中删除行

2 个答案: