计算 pandas 列中的唯一单词

Question

我对以下数据（来自 pandas 数据框）遇到一些困难：Text0   Selected moments from Fifa game t...1   What I learned is that I am ...3   Bill Gates kept telling us it was comi...5   scenario created a month before the...... ...1899    Events for May 19 – October 7 - October CTOvision.com1900    Office of Event Services and Campus Center Ope...1901    How the CARES Act May Affect Gift Planning in ...1902    City of Rohnert Park: Home1903    iHeartMedia, Inc.我需要提取每行的唯一单词数（删除标点符号后）。因此，例如：Unique0   61   63   85   6... ...1899    81900    81901    9 1902    51903    2我尝试按如下方式进行：df["Unique"]=df['Text'].str.lower()df["Unique"]==Counter(word_tokenize('\n'.join( file["Unique"])))但我没有得到任何计数，只有一个单词列表（没有它们在该行中的频率）。你能告诉我出了什么问题吗？

Answer 1

如果不需要计数，请先删除所有标点符号。杠杆套。str.split.map(set)会给你一套。计算后面集合中的元素。集合不采用多个唯一元素。

链式

df['Text'].str.replace(r'[^\w\s]+', '').str.split().map(set).str.len()

逐步

df[Text]=df['Text'].str.replace(r'[^\w\s]+', '')
df['New Text']=df.Text.str.split().map(set).str.len()

Answer 2

所以，我只是根据评论更新这一点。该解决方案还考虑了标点符号。

df['Unique'] =  df['Text'].apply(lambda x: x.translate(str.maketrans('', '', string.punctuation)).strip()).str.split(' ').apply(len)

Answer 3

尝试这个

from collections import Counter

dict = {'A': {0:'John', 1:'Bob'},

        'Desc': {0:'Bill ,Gates Started Microsoft at 18 Bill', 1:'Bill Gates, Again .Bill Gates  and Larry Ellison'}}

df = pd.DataFrame(dict)

df['Desc']=df['Desc'].str.replace(r'[^\w\s]+', '')

print(df.loc[:,"Desc"])

 

print(Counter(" ".join(df.loc[0:0,"Desc"]).split(" ")).items())

print(len(Counter(" ".join(df.loc[0:0,"Desc"]).split(" ")).items()))