如何从字符串的DataFrame列中获取唯一的单词？

Question

我正在寻找一种方法来获取数据帧中字符串列中唯一单词的列表。你知道吗

import pandas as pd
import numpy as np

df = pd.read_csv('FinalStemmedSentimentAnalysisDataset.csv', sep=';',dtype= 
       {'tweetId':int,'tweetText':str,'tweetDate':str,'sentimentLabel':int})

tweets = {}
tweets[0] = df[df['sentimentLabel'] == 0]
tweets[1] = df[df['sentimentLabel'] == 1]

我使用的数据集来自以下链接：http://thinknook.com/twitter-sentiment-analysis-training-corpus-dataset-2012-09-22/

我得到了一列长度可变的字符串，我想得到列中每个唯一单词的列表和它的计数，我如何得到它？我在python中使用Pandas，原始数据库有超过1M行，所以我还需要一些有效的方法来足够快地处理这个问题，并且不要让代码运行太长时间。你知道吗

列的示例可以是：

• 为我的apl朋友感到难过。你知道吗
• 天哪，这太可怕了。你知道吗

• 这首新歌是什么？你知道吗

  名单可能是这样的。

[is,so,sad,for,my,apl,friend,omg,this,terrible,what,new,song]

Answer 1

如果列中有字符串，则必须将每个句子拆分为单词列表，然后将所有列表放在一个列表中-您可以使用它sum()为此，它应该为您提供所有单词。要获得唯一的单词，可以将其转换为set()，然后再转换回list()

但在开始时，您必须清理句子以删除像.、?等字符。我使用regex只保留一些字符和空间。最后你必须把所有的单词都转换成小写或大写。你知道吗

import pandas as pd

df = pd.DataFrame({
    'sentences': [
        'is so sad for my apl friend.',
        'omg this is terrible.',
        'what is this new song?',
    ]
})

unique = set(df['sentences'].str.replace('[^a-zA-Z ]', '').str.lower().str.split(' ').sum())

print(list(sorted(unique)))

结果

['apl', 'for', 'friend', 'is', 'my', 'new', 'omg', 'sad', 'so', 'song', 'terrible', 'this', 'what']

---

编辑：如注释中提到的@HenryYik-findall('\w+')可以代替split()，也可以代替replace()

unique = set(df['sentences'].str.lower().str.findall("\w+").sum())

---

编辑：我用来自

http://thinknook.com/twitter-sentiment-analysis-training-corpus-dataset-2012-09-22/

除了column.sum()或sum(column)之外，所有的工作都很快—我测量了1000行的时间，计算了150万行的时间，需要35分钟。你知道吗

使用itertools.chain()要快得多—大约需要8秒钟。你知道吗

import itertools

words = df['sentences'].str.lower().str.findall("\w+")
words = list(itertools.chain(words))
unique = set(words)

但是它可以直接转换成set()。你知道吗

words = df['sentences'].str.lower().str.findall("\w+")

unique = set()

for x in words:
    unique.update(x)

大约需要5秒钟

---

完整代码：

import pandas as pd
import time 

print(time.strftime('%H:%M:%S'), 'start')

print('  -')
#                                       

start = time.time()

# `read_csv()` can read directly from internet and compressed to zip
#url = 'http://thinknook.com/wp-content/uploads/2012/09/Sentiment-Analysis-Dataset.zip'
url = 'SentimentAnalysisDataset.csv'

# need to skip two rows which are incorrect
df = pd.read_csv(url, sep=',', dtype={'ItemID':int, 'Sentiment':int, 'SentimentSource':str, 'SentimentText':str}, skiprows=[8835, 535881])

end = time.time()
print(time.strftime('%H:%M:%S'), 'load:', end-start, 's')

print('  -')
#                                       

start = end

words = df['SentimentText'].str.lower().str.findall("\w+")
#df['words'] = words

end = time.time()
print(time.strftime('%H:%M:%S'), 'words:', end-start, 's')

print('  -')
#                                       

start = end

unique = set()
for x in words:
    unique.update(x)

end = time.time()
print(time.strftime('%H:%M:%S'), 'set:', end-start, 's')

print('  -')
#                                       

print(list(sorted(unique))[:10])

结果

00:27:04 start
  -
00:27:08 load: 4.10780930519104 s
  -
00:27:23 words: 14.803470849990845 s
  -
00:27:27 set: 4.338541269302368 s
  -
['0', '00', '000', '0000', '00000', '000000000000', '0000001', '000001', '000014', '00004873337e0033fea60']