從熊貓數據框的列中提取主題標籤

Question

我有一個數據框df。我想從微博中提取主題標籤，其中最大== 45：

Max Tweets 
42 via @VIE_unlike at #fashion 
42 Ny trailer #katamaritribute #ps3 
45 Saved a baby bluejay from dogs #fb 
45 #Niley #Niley #Niley 

我嘗試這樣的事情，但它給空數據框：

df.loc[df['Max'] == 45, [hsh for hsh in 'tweets' if hsh.startswith('#')]] 

是有什麼在熊貓，我可以用它來執行這有效且速度更快。

Answer 1

您可以使用pd.Series.str.findall：

In [956]: df.Tweets.str.findall(r'#.*?(?=\s|$)') 
Out[956]: 
0     [#fashion] 
1 [#katamaritribute, #ps3] 
2      [#fb] 
3 [#Niley, #Niley, #Niley] 

這返回的list個列。

如果要篩選，然後再找到，你可以這樣做很容易使用boolean indexing：

In [957]: df.Tweets[df.Max == 45].str.findall(r'#.*?(?=\s|$)') 
Out[957]: 
2      [#fb] 
3 [#Niley, #Niley, #Niley] 
Name: Tweets, dtype: object 

---

這裏使用的正則表達式是：

#.*?(?=\s|$) 

要了解它，請將其分解：

• #.*? - 執行一個字開頭的哈希標籤
• (?=\s|$)非貪婪匹配 - 的句子

的單詞或月底結束先行。如果有可能，你在有#一個字的中間是而不是一個hashtag，這會產生你不想要的誤報。在這種情況下，您可以修改您的正則表達式來包括回顧後：

(?:(?<=\s)|(?<=^))#.*?(?=\s|$) 

回顧後聲稱，空格或句子的開始必須先於#字符的正則表達式。