我有一个数据框df
,其中有两列:脚本(带文本)和扬声器
Script Speaker
aze Speaker 1
art Speaker 2
ghb Speaker 3
jka Speaker 1
tyc Speaker 1
avv Speaker 2
bhj Speaker 1
我有以下列表:list = ['a','b','c']
我的目标是仅使用列表中的项目来获得这样的矩阵/数据框。
Speaker a b c
Speaker 1 2 1 1
Speaker 2 2 0 0
Speaker 3 0 1 0
我尝试了以下方法:
r = '|'.join(list)
nb_df = df[df['Script'].str.contains(r, case = False)]
df_target = nb_df.groupby('Speaker')['Speaker'].count()
我获得了目标的一部分,我知道每个发言者说从列表中搜索项目的时间。但我无法区分每个项目的时间。
答案 0 :(得分:5)
首先不要像变量一样使用list
,因为内置的(Python代码字)。
将crosstab
与Series.str.extractall
一起使用:
print (df)
Script Speaker
0 azc Speaker 1 <-change sample data
1 art Speaker 2
2 ghb Speaker 3
3 jka Speaker 1
4 tyc Speaker 1
5 avv Speaker 2
6 bhj Speaker 1
L = ['a','b','c']
pat = r'({})'.format('|'.join(L))
df = df.set_index('Speaker')['Script'].str.extractall(pat)[0].reset_index(name='val')
df = pd.crosstab(df['Speaker'], df['val'])
print (df)
val a b c
Speaker
Speaker 1 2 1 2
Speaker 2 2 0 0
Speaker 3 0 1 0
如果性能不是那么重要,则每级使用3个文本函数Series.str.findall
,Series.str.join
和Series.str.get_dummies
和sum
:
df = (df.set_index('Speaker')['Script'].str.findall('|'.join(L))
.str.join('|')
.str.get_dummies()
.sum(level=0))
print (df)
a b c
Speaker
Speaker 1 2 1 2
Speaker 2 2 0 0
Speaker 3 0 1 0
答案 1 :(得分:3)
您可以将series.str.findall()
与str.join()
一起使用,将str.get_dummies()
与groupby().sum
一起使用:
l = ['a','b','c']
final=(df['Script'].str.findall('|'.join(l)).str.join('|')
.str.get_dummies().groupby(df['Speaker']).sum())
a b c
Speaker
Speaker 1 2 1 1
Speaker 2 2 0 0
Speaker 3 0 1 0