R unnest_token（）v.s Python str.split（）中的正则表达式行为

Question

我想使用python复制与下面df_long类似的结果。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)

如果我理解正确的话，unnest_regex的编写方式也可以找到数字（在空白和少量标点符号中）。我不明白为什么R会将字符串中的数字，例如“@kin2souls”视为不匹配条件。因此，我们在df_long中得到了一个结果，@kin2souls单独作为一行。然而，当我试图在熊猫身上复制这一点时：

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)

它将把“@kin2souls”字符串分成“@kin”和“灵魂”两行。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#@])"

这是为了避免结果为空字符串。我想知道这是否也是一个促成因素。然而，在“2”的分裂仍然发生。有人能用Python提出一个解决方案并解释为什么R会这样做吗？谢谢大家!

以下是Python中的数据：

data = {'id':[1], "author":["trump"], "Tweet": ["RT @kin2souls: @KimStrassel Anyone that votes"]}
df = pd.DataFrame.from_dict(data)

预期的结果是：

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)

Answer 1

str split和explode的组合应该复制您的输出：

(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，以及偶尔出现的:

或者，您可以使用str extractall-我觉得它要长一点：

(
    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unnest_token如何与regex一起工作-也许其他人可以解决这个问题