Question

我目前有一些使用df.iterrows（）在熊猫数据帧中循环的工作代码，但我正在寻求对其进行优化（使用df.apply（）或切换到numpy数组）。我只是无法全神贯注于如何做到这一点。下面的代码/数据：

数据：

raw_text                  tokenized_text
hello, my name is tom     [hello, my, name, is, tom]
hello, my name is jeff    [hello, my, name, is, jeff]

要解决的问题： 将tokenized_text列与一个列表进行比较，并计算tokenized_text列与该列表之间的重叠单词数。下面的代码：

代码：

def list_compare(lst1, lst2):
        freq = len(list(set(lst1) & set(lst2)))
        return freq

lst = ['hello', 'my']
freq_counts = []

for val in df.iterrows():
    freq_counts.append(list_compare(lst, val[1][tokenized_text])

df['freq_counts'] = freq_counts

问题： 有没有一种更快的方法可以使用apply（）函数或numpy数组来完成上述操作？

谢谢！

Answer 1

IIUC，您可以将apply与set交点一起使用：

df = pd.DataFrame({"raw_text":["hello, my name is tom","hello, my name is jeff"]})
df["tokenized_text"] = df["raw_text"].str.findall("\w+")

lst = ['hello', 'my']

df["count"] = df["tokenized_text"].apply(lambda x: len(set(x).intersection(set(lst))))

print (df)

#
                 raw_text               tokenized_text  count
0   hello, my name is tom   [hello, my, name, is, tom]      2
1  hello, my name is jeff  [hello, my, name, is, jeff]      2

代码优化|比dataframe.iterrows（）更快的方法？

1 个答案: