在 pandas 数据帧的所有行中迭代 nltk.tokenize

Question

感谢您为这个看似愚蠢的问题提供的帮助。我已经将一个 sqlite 表拉入了一个 pandas 数据框中，这样我就可以标记并计算一系列推文中单词的频率。

使用下面的代码，我可以为第一条推文生成这个。如何迭代整个表？

conn = sqlite3.connect("tweets.sqlite")
data = pd.read_sql_query("select tweet_text from tweets_new;", conn)

tokenizer=RegexpTokenizer(r'\w+')
tokens=tokenizer.tokenize(data['tweet_text'][0])

words = nltk.FreqDist(tokens)

unigram_df = pd.DataFrame(words.most_common(),
                             columns=["WORD","COUNT"])

unigram_df

当我将值更改为单行以外的任何值时，我收到以下错误：

TypeError: expected string or buffer

我知道还有其他方法可以做到这一点，但我需要按照这些思路来做，因为我打算接下来如何使用输出。感谢您提供的任何帮助！

我试过了：

%%time

tokenizer = RegexpTokenizer(r'\w+')  

print "Cleaning the tweets...\n"
for i in xrange(0,len(df)):
    if( (i+1)%1000000 == 0 ):  
        tokens=tokenizer.tokenize(df['tweet_text'][i])
        words = nltk.FreqDist(tokens)

这看起来应该可以，但仍然只返回第一行中的单词。

Answer 1

我认为使用CountVectorizer 可以更简洁地解决您的问题。我给你举个例子。给定以下输入：

from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd 

corpus_tweets = [['I love pizza and hambuerger'],['I love apple and chips'], ['The pen is on the table!!']]
df = pd.DataFrame(corpus_tweets, columns=['tweet_text'])

您可以使用以下几行来创建您的词袋模板：

count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(df.tweet_text)

可以打印得到的词汇：

count_vect.vocabulary_
# ouutput: {'love': 5, 'pizza': 8, 'and': 0, 'hambuerger': 3, 'apple': 1, 'chips': 2, 'the': 10, 'pen': 7, 'is': 4, 'on': 6, 'table': 9}

并获取带有字数的数据框：

df_count = pd.DataFrame(X_train_counts.todense(), columns=count_vect.get_feature_names())

   and  apple  chips  hambuerger  is  love  on  pen  pizza  table  the
0    1      0      0           1   0     1   0    0      1      0    0
1    1      1      1           0   0     1   0    0      0      0    0
2    0      0      0           0   1     0   1    1      0      1    2

如果对你有用，可以将counts的dataframe与语料库的dataframe合并：

pd.concat([df, df_count],  axis=1)

                    tweet_text  and  apple  chips  hambuerger  is  love  on  \
0  I love pizza and hambuerger    1      0      0           1   0     1   0   
1       I love apple and chips    1      1      1           0   0     1   0   
2    The pen is on the table!!    0      0      0           0   1     0   1   

   pen  pizza  table  the  
0    0      1      0    0  
1    0      0      0    0  
2    1      0      1    2  

如果您想获取包含每个文档的 <word, count> 对的字典，此时您需要做的就是：

dict_count = df_count.T.to_dict()

{0: {'and': 1,
  'apple': 0,
  'chips': 0,
  'hambuerger': 1,
  'is': 0,
  'love': 1,
  'on': 0,
  'pen': 0,
  'pizza': 1,
  'table': 0,
  'the': 0},
 1: {'and': 1,
  'apple': 1,
  'chips': 1,
  'hambuerger': 0,
  'is': 0,
  'love': 1,
  'on': 0,
  'pen': 0,
  'pizza': 0,
  'table': 0,
  'the': 0},
 2: {'and': 0,
  'apple': 0,
  'chips': 0,
  'hambuerger': 0,
  'is': 1,
  'love': 0,
  'on': 1,
  'pen': 1,
  'pizza': 0,
  'table': 1,
  'the': 2}}

注意：将 稀疏 numpy 矩阵 的 X_train_counts 转换为数据框不是一个好主意。但了解和可视化模型的各个步骤会很有用。

Answer 2

在所有行上创建DataFrame 循环后：

tokenizer = RegexpTokenizer(r'\w+')
fdist = FreqDist()
for txt in data['tweet_text']:
      for word in tokenizer.tokenize(txt):
          fdist[word.lower()] += 1

Answer 3

如果有人对这个小众用例感兴趣，下面是我最终能够完成的代码：

conn = sqlite3.connect("tweets.sqlite")
data = pd.read_sql_query("select tweet_text from tweets_new;", conn)

alldata = str(data)

tokenizer=RegexpTokenizer(r'\w+')
tokens=tokenizer.tokenize(alldata)

words = nltk.FreqDist(tokens)

unigram_df = pd.DataFrame(words.most_common(),
                             columns=["WORD","COUNT"])

感谢大家的帮助！