从 pandas 数据框中提取和计算每行的唯一主题标签答案

【问题标题】：Extract and count unique hashtags per row from a pandas dataframe从 pandas 数据框中提取和计算每行的唯一主题标签
【发布时间】：2018-11-07 23:42:43
【问题描述】：

我有一个带有字符串列 Posts 的 pandas 数据框 df，如下所示：

df['Posts']
0       "This is an example #tag1"
1       "This too is an example #tag1 #tag2"
2       "Yup, still an example #tag1 #tag1 #tag3"

当我尝试使用以下代码计算主题标签的数量时，

count_hashtags = df['Posts'].str.extractall(r'(\#\w+)')[0].value_counts()

我明白了，

#tag1             4
#tag2             1
#tag3             1

但我需要计算每行唯一主题标签的数量，如下所示：

#tag1             3
#tag2             1
#tag3             1

【问题讨论】：

标签： python python-3.x pandas counter series

【解决方案1】：

使用drop_duplicates去除每个帖子的重复标签，然后你可以使用value_counts

df.Posts.str.extractall(
    r'(\#\w+)'
).reset_index().drop_duplicates(['level_0', 0])[0].value_counts()

将level=0 传递给reset_index 的较短替代方案

df.Posts.str.extractall(
    r'(\#\w+)'
).reset_index(level=0).drop_duplicates()[0].value_counts()

两者都会输出：

#tag1    3
#tag3    1
#tag2    1
Name: 0, dtype: int64

【讨论】：

【解决方案2】：

这是使用itertools.chain 和collections.Counter 的一种解决方案：

import pandas as pd
from collections import Counter
from itertools import chain

s = pd.Series(['This is an example #tag1',
               'This too is an example #tag1 #tag2',
               'Yup, still an example #tag1 #tag1 #tag3'])

tags = s.map(lambda x: {i[1:] for i in x.split() if i.startswith('#')})

res = Counter(chain.from_iterable(tags))

print(res)

Counter({'tag1': 3, 'tag2': 1, 'tag3': 1})

性能基准测试

collections.Counter 的速度大约是 pd.Series.str.extractall 的两倍：

import pandas as pd
from collections import Counter
from itertools import chain

s = pd.Series(['This is an example #tag1',
               'This too is an example #tag1 #tag2',
               'Yup, still an example #tag1 #tag1 #tag3'])

def hal(s):
    return s.str.extractall(r'(\#\w+)')\
            .reset_index(level=0)\
            .drop_duplicates()[0]\
            .value_counts()

def jp(s):
    tags = s.map(lambda x: {i[1:] for i in x.split() if i.startswith('#')})
    return Counter(chain.from_iterable(tags))

s = pd.concat([s]*100000, ignore_index=True)

%timeit hal(s)  # 2.76 s per loop
%timeit jp(s)   # 1.25 s per loop

【讨论】：