python - 改变 pandas 中的特定字符

Question

背景

我有以下 df，其中包含标记化的 Text 和 P_Name 列，并且是 including word boundary in string modification to be more specific 的修改

P_Name = [list(['Steven', 'I','Jobs']),
          list(['A', 'Ma', 'Mary']),
          list(['U','Kar', 'Jacob'])]

Text =  [list(['Steven', 'I','Jobs', 'likes', 'apples','I', 'too']),
        list(['A','i', 'like', 'A', 'lot', 'of','sports','cares', 'A', 'Ma', 'Mary']),
        list(['the','U', 'Kar', 'Jacob', 'what', 'about', 'U', 'huh','?'])]

import pandas as pd
df = pd.DataFrame({'Text' : Text,  
                  'P_ID': [1,2,3], 
                  'P_Name' : P_Name,

                 })
df
   P_ID    P_Name            Text
0   1   [Steven, I, Jobs]   [Steven, I, Jobs, likes, apples, I, too]
1   2   [A, Ma, Mary]       [A, i, like, A, lot, of, sports, cares, A, Ma, Mary]
2   3   [U, Kar, Jacob]     [the, U, Kar, Jacob, what, about, U, huh, ?]

目标

1) 使用P_Name中的名称，通过放置**block**

来阻止Text列中的相应文本>

2) 生成一个新列 New_Text

尝试过

来自including word boundary in string modification to be more specific

我修改了代码并尝试了以下操作

df['New_Text']=[pd.Series(x).replace(dict.fromkeys(y,'**block**') ).str.cat(sep=' ')for x , y in zip(df['Text'],df['P_Name'])]

这接近我想要的，但不完全是因为一些字母被不恰本地标记为**block**，例如0行中的I >

 P_ID P_Name Text New_Text
    0             [**block**, **block**, **block**, likes, apples, **block**, too]
    1             [**block**, i, like, **block**, lot, of, sports, cares, **block**, **block**, **block**]
    2             [the, **block**, **block**, **block**, what, about, **block**, huh, ?]

所需输出

P_ID P_Name Text New_Text
    0              [**block**, **block**, **block**, likes, apples, I, too]
    1              [A, i, like, A, lot, of, sports, cares, **block**, **block**, **block**]
    2              [the, **block**, **block**, **block**, what, about, U, huh, ?]

问题

如何进一步修改

df['New_Text']=[pd.Series(x).replace(dict.fromkeys(y,'**block**') ).str.cat(sep=' ')for x , y in zip(df['Text'],df['P_Name'])]

或者使用新代码来实现我想要的输出？

Answer 1

您希望 P_Name 序列在 Text 标记中按顺序出现。这可以通过迭代 Text 标记并检查整个 P_Name 标记是否相等来实现:

df["New_Text"] = df["Text"].apply(lambda tokens: tokens.copy())  # copy original tokens
for tokens, name in zip(df["New_Text"], df["P_Name"]):
    for i, token in enumerate(tokens):
        if tokens[i:i + len(name)] == name:
            tokens[i:i + len(name)] = ["**block**"] * len(tokens[i:i + len(name)])

根据您的使用案例，您可能可以使用未标记化的Text(&P_name)。如果是这样，则可以进行子字符串匹配，然后执行标记化。