python - 计算 Pandas 中一列字符串中的单词

Question

我有一个 pandas 数据框，其中包含给定时间段内的查询和计数，我希望将此数据框转换为唯一单词的计数。例如，如果数据框包含以下内容:

query          count
foo bar        10
super          8 
foo            4
super foo bar  2

我希望收到以下数据框。例如“foo”这个词在表中恰好出现了 16 次。

word    count
foo     16
bar     12
super   10

我正在使用以下函数，但这似乎不是执行此操作的最佳方法，而且它忽略了每一行的总计数。

def _words(df):
  return Counter(re.findall(r'\w+', ' '.join(df['query'])))

任何帮助将不胜感激。

提前致谢!

Answer 1

选项 1

df['query'].str.get_dummies(sep=' ').T.dot(df['count'])

bar      12
foo      16
super    10
dtype: int64

---

选项 2

df['query'].str.get_dummies(sep=' ').mul(df['count'], axis=0).sum()

bar      12
foo      16
super    10
dtype: int64

---

选项 3
numpy.bincount + pd.factorize
还强调了 cytoolz.mapcat 的使用。它返回一个迭代器，它映射一个函数并连接结果。这很酷!

import pandas as pd, numpy as np, cytoolz

q = df['query'].values
c = df['count'].values

f, u = pd.factorize(list(cytoolz.mapcat(str.split, q.tolist())))
l = np.core.defchararray.count(q.astype(str), ' ') + 1

pd.Series(np.bincount(f, c.repeat(l)).astype(int), u)

foo      16
bar      12
super    10
dtype: int64

---

选项 4
荒谬的使用东西...只需使用选项 1。

pd.DataFrame(dict(
    query=' '.join(df['query']).split(),
    count=df['count'].repeat(df['query'].str.count(' ') + 1)
)).groupby('query')['count'].sum()

query
bar      12
foo      16
super    10
Name: count, dtype: int64