Question

我正在尝试进行预处理，以查找美国某人提交的所有文本。美国的所有用户都可以放置在同一位置。不需要在美国的确切位置。
我有一个类似于的数据集：

created_at    text       lang       location                 by
Wed Jul 8    some text.  english.   New York, NY.          User 1
Wed Jul 8    some text.  english.   Washington, DC.        User 1
Wed Jul 8    some text.  english.   Baltimore.             User 1
Wed Jul 8    some text.  english.   DC, US.                User 1
Wed Jul 8    some text.  english.   The United States.     User 1
Wed Jul 8    some text.  english.   US.                    User 1
Wed Jul 8    some text.  english.   Poland.                User 1
Wed Jul 8    some text.  english.   1234332.               User 1
Wed Jul 8    some text.  english.   The Earth.              User 1
Wed Jul 8    some text.  english.   Nottingham.              User 1
Wed Jul 8    some text.  english.   Leicestershire, England  User 1
Wed Jul 8    some text.  english.   ⬛️⬛️⬛️⬛️⬛️⬛️ [REDACTED]    User 1
Wed Jul 8    some text.  english.   天国の門                  User 1

而不是遍历数据集并一一删除所有非美国州，州，县等。是否可以轻松访问df.locations，并获得纽约，纽约，华盛顿特区，哥伦比亚特区，美国，巴尔的摩，美国和美国以外的所有位置？这只是数据的一小部分，这就是为什么我试图找到一种更简化的方法。

Answer 1

好像“位置”列不是标准格式。尝试使用白名单方法，从而删除位置不在批准列表中的行。

remove_list = ['Ney York'，'US']

df_us = df [df ['location']。isin（approved_list）]

通过对大小写和空格进行规范化，可以改进这种方法。

Answer 2

您可以尝试使用geopy找出该行在谈论哪个国家。用法的示例如下（用行替换“芝加哥伊利诺伊州”）。

from geopy.geocoders import Nominatim

geolocator = Nominatim()
loc = geolocator.geocode('Chicago Illinois')
print(loc.address)
# u'Chicago, Cook County, Illinois, United States of America'

loc = geolocator.geocode('San Francisco California')
print(loc.address[-1]) 
# United States of America'

过滤熊猫列

2 个答案: