python - R unnest_token() 与 Python pandas str.split() 中的正则表达式行为
问题描述
我想使用 python pandas 复制类似于下面的 df_long 的结果。这是R代码:
df <- data.frame("id" = 1, "author" = 'trump', "Tweet" = "RT @kin2souls: @KimStrassel Anyone that votes")
unnest_regex <- "([^A-Za-z_\\d#@']|'(?![A-Za-z_\\d#@]))"
df_long <- df %>%
unnest_tokens(
word, Tweet, token = "regex", pattern = unnest_regex)
如果我理解正确, unnest_regex 的编写方式也可以找到数字(在空格和少量标点符号中)。我不明白为什么 R 会将字符串中的数字视为不匹配条件,例如“@kin2souls”。因此,我们在 df_long 中得到了一个结果,其中 @kin2souls 单独作为一行。但是,当我尝试在熊猫中复制它时:
unnest_regex = r"([^A-Za-z_\\d#@']|'(?![A-Za-z_\\d#@]))"
df = df_long.assign(word=df['Tweet'].str.split(unnest_regex)).explode('word')
df.drop("Tweet", axis=1, inplace=True)
它将“@kin2souls”字符串拆分为“@kin”和“souls”作为单独的行。此外,由于 unnest_regex 使用捕获括号,在 Python 中,我将其修改为:
unnest_regex = r"[^A-Za-z_\\d#@']|'(?![A-Za-z_\\d#@])"
这是为了避免空字符串。我想知道这是否也是一个促成因素。但是,“2”处的拆分仍然发生。任何人都可以在 Python 中提出一个解决方案并可能解释为什么 R 会这样吗?谢谢!
这是Python中的数据:
data = {'id':[1], "author":["trump"], "Tweet": ["RT @kin2souls: @KimStrassel Anyone that votes"]}
df = pd.DataFrame.from_dict(data)
和预期的结果:
data_long = {'id':[1,1,1,1,1,1], "author":["trump","trump","trump","trump","trump","trump"], "word": ["rt", "@kin2souls", "@kimstrassel", "anyone", "that", "votes"]}
df_long = pd.DataFrame.from_dict(data_long)
解决方案
(df
.assign(Tweet=df.Tweet.str.lower().str.split(r"[:\s]"))
.explode("Tweet")
.query('Tweet != ""')
.reset_index(drop=True)
)
id author Tweet
0 1 trump rt
1 1 trump @kin2souls
2 1 trump @kimstrassel
3 1 trump anyone
4 1 trump that
5 1 trump votes
我利用了文本由空格分隔的事实,以及偶尔:
或者,您可以使用str extractall - 我觉得它有点长:
(
df.set_index(["id", "author"])
.Tweet.str.lower()
.str.extractall(r"\s*([a-z@\d]+)[:\s]*")
.droplevel(-1)
.rename(columns={0: "Tweet"})
.reset_index()
)
不确定如何unnest_token
使用正则表达式 - 也许其他人可以解决这个问题
推荐阅读
- postgresql-13 - 如何从 regexp_match 获得第一个匹配项?
- batch-file - 删除 MQ 队列的批处理脚本
- reactjs - Reactjs 中的延迟加载 Modal Bootstrap
- mongodb - 按年然后按月聚合 Mongo 集合
- react-native - 我可以在一个堆栈屏幕中使用重复的 webview 吗?
- vue.js - 如何仅在按下提交按钮后才隐藏我的部分。现在该部分在我按下一个字母后消失
- django - Django:AttributeError 'WSGIRequest' 对象没有属性 'get'
- bpf - BPF 验证者拒绝使用 inode ptr 作为密钥
- python - 生成嵌套列表的所有可能组合
- jenkins - Jenkins - 如果 PR 请求包含消息,则触发阶段