使用 findall python 从推文中提取@mentions（给出不正确的结果）答案

【问题标题】：Extracting @mentions from tweets using findall python (Giving incorrect results)使用 findall python 从推文中提取@mentions（给出不正确的结果）
【发布时间】：2018-03-19 21:56:14
【问题描述】：

我有一个类似这样的 csv 文件

text
RT @CritCareMed: New Article: Male-Predominant Plasma Transfusion Strategy for Preventing Transfusion-Related Acute Lung Injury... htp://…
#CRISPR Inversion of CTCF Sites Alters Genome Topology &amp; Enhancer/Promoter Function in @CellCellPress htp://.co/HrjDwbm7NN
RT @gvwilson: Where's the theory for software engineering? Behind a paywall, that's where. htp://.co/1t3TymiF3M #semat #fail
RT @sciencemagazine: What’s killing off the sea stars? htp://.co/J19FnigwM9 #ecology
RT @MHendr1cks: Eve Marder describes a horror that is familiar to worm connectome gazers. htp://.co/AEqc7NOWoR via @nucAmbiguous htp://…

我想从推文中提取所有提及（以“@”开头）。到目前为止，我已经这样做了

import pandas as pd
import re

mydata = pd.read_csv("C:/Users/file.csv")
X = mydata.ix[:,:]
X=X.iloc[:,:1] #I have multiple columns so I'm selecting the first column only that is 'text'

for i in range(X.shape[0]):
result = re.findall("(^|[^@\w])@(\w{1,25})", str(X.iloc[:i,:]))

print(result);

这里有两个问题：首先：在str(X.iloc[:1,:])，它给了我['CritCareMed']，这是不行的，因为它应该给我['CellCellPress']，在str(X.iloc[:2,:])，它又给了我['CritCareMed']，这当然又不好了。我得到的最终结果是

[(' ', 'CritCareMed'), (' ', 'gvwilson'), (' ', 'sciencemagazine')]

它不包括第二行中的提及和最后一行中的两个提及。我想要的应该是这样的：

我怎样才能达到这些结果？这只是一个示例数据，我的原始数据有很多推文，所以这种方法可以吗？

【问题讨论】：

标签： python regex pandas twitter mention

【解决方案1】：

您可以使用str.findall 方法来避免for 循环，使用negative look behind 来替换(^|[^@\w])，这会在您的正则表达式中形成另一个您不需要的捕获组：

df['mention'] = df.text.str.findall(r'(?<![@\w])@(\w{1,25})').apply(','.join)
df
#                                                text   mention
#0  RT @CritCareMed: New Article: Male-Predominant...   CritCareMed
#1  #CRISPR Inversion of CTCF Sites Alters Genome ...   CellCellPress
#2  RT @gvwilson: Where's the theory for software ...   gvwilson
#3  RT @sciencemagazine: What’s killing off the se...   sciencemagazine
#4  RT @MHendr1cks: Eve Marder describes a horror ...   MHendr1cks,nucAmbiguous

还有X.iloc[:i,:]返回一个数据框，所以str(X.iloc[:i,:])给你一个数据框的字符串表示，这与单元格中的元素有很大不同，从text列中提取实际字符串，你可以使用X.text.iloc[0]，或者更好的方法来遍历一个列，使用iteritems：

import re
for index, s in df.text.iteritems():
    result = re.findall("(?<![@\w])@(\w{1,25})", s)
    print(','.join(result))

#CritCareMed
#CellCellPress
#gvwilson
#sciencemagazine
#MHendr1cks,nucAmbiguous

【讨论】：

如何从 df 中选择第一列？如果 iloc 给出数据框。我的文件中有多个列，我必须只处理第一列“文本”
要选择第一列，您可以使用列名，即df.text、df['text']，也可以使用iloc、df.iloc[:,0]。

【解决方案2】：

虽然您已经有了答案，但您甚至可以尝试像这样优化整个导入过程：

import re, pandas as pd

rx = re.compile(r'@([^:\s]+)')

with open("test.txt") as fp:
    dft = ([line, ",".join(rx.findall(line))] for line in fp.readlines())

    df = pd.DataFrame(dft, columns = ['text', 'mention'])
    print(df)

产生：

                                                text                  mention
0  RT @CritCareMed: New Article: Male-Predominant...              CritCareMed
1  #CRISPR Inversion of CTCF Sites Alters Genome ...            CellCellPress
2  RT @gvwilson: Where's the theory for software ...                 gvwilson
3  RT @sciencemagazine: What’s killing off the se...          sciencemagazine
4  RT @MHendr1cks: Eve Marder describes a horror ...  MHendr1cks,nucAmbiguous

这可能会更快一些，因为您不需要在 df 已经构建后更改它。

【讨论】：

非常感谢，我也试试看 :)

【解决方案3】：

mydata['text'].str.findall(r'(?:(?<=\s)|(?<=^))@.*?(?=\s|$)')

与此相同：Extract hashtags from columns of a pandas dataframe，但用于提及。

@.*? 对一个单词开始进行非贪婪匹配带有标签
(?=\s|$) 预读词尾或句尾
(?:(?<=\s)|(?<=^)) 后视以确保在单词中间使用 @ 时不会出现误报

正则表达式lookbehind断言空格或句子的开头必须在@字符之前。

【讨论】：