如果它包含列表中的单词,则替换 Pandas 系列中部分字符串的最快方法
Posted
技术标签:
【中文标题】如果它包含列表中的单词,则替换 Pandas 系列中部分字符串的最快方法【英文标题】:Fastest way to replace part of a string in Pandas series if it contains a word in a list 【发布时间】:2019-09-19 22:00:09 【问题描述】:我有一个大型数据集all_transcripts
,有近 300 万行。 msgText
列之一包含书面消息。
>>> all_transcripts['msgText']
['this is my first message']
['second message is here']
['this is my third message']
此外,我有一个包含 200 多个单词的列表,名为 gemeentes
。
>>> gemeentes
['first','second','third' ... ]
如果此列表中的某个单词包含在msgText
中,我想将其替换为另一个单词。为此,我创建了函数:
def replaceCity(text):
newText = text.replace(plaatsnaam, 'woonplaats')
return str(newText)
所以,我想要的输出应该是这样的:
['this is my woonplaats message']
['woonplaats message is here']
['this is my woonplaats message']
目前,我正在循环遍历列表,对于列表中的每个项目,应用replaceCity
函数。
for plaatsnaam in gemeentes:
global(plaatsnaam)
all_transcripts['filtered_text'] = test.msgText.apply(replaceCity)
但是,这需要很长时间,因此似乎效率不高。有没有更快的方法来执行此任务?
这篇文章 (Algorithm to find multiple string matches) 类似,但我的问题不同,因为:
这里只有一小段文字,而我有一个 具有许多不同行的数据集
我想替换单词,而不仅仅是查找单词。
【问题讨论】:
您是否尝试过使用 pandas lambda 函数的正则表达式?? 【参考方案1】:假设all_transcripts
是熊猫DataFrame
:
all_transcripts['msgText'].str.replace('|'.join(gemeentes),'woonplaats')
例子:
all_transcripts = pd.DataFrame([['this is my first message'],
['second message is here'],
['this is my third message']],
columns=['msgText'])
gemeentes = ['first','second','third']
all_transcripts['msgText'].str.replace('|'.join(gemeentes),'woonplaats')
输出
0 this is my woonplaats message
1 woonplaats message is here
2 this is my woonplaats message
【讨论】:
谢谢!使用此代码,它会替换每个出现的单词,即使它包含在另一个单词中。你知道是否有办法只为整个单词做这件事吗?例如。如果我有句子“这对我来说是第一次”和“第二次怎么样”,它会替换这两个句子:“这对我来说是 woonplaatstime”和“woonplaats 时间怎么样”。但是,我只想替换完全包含该单词的单词被替换的实例。因此输出将是:“这是我的第一次”和“woonplaats 时间怎么样”。你知道怎么做吗? 我在gemeentes
中的单词周围添加了空格,所以现在可以使用了!
@emil pandas .str.replace
接受正则表达式,因此可能有一种更简洁的方式来查找单词。我建议可能保留gemeentes
,但将连接从'|'.join(gemeentes)
更改为pattern = r'\s*' + r'\s*|\s*'.join(gemeentes) + r'\s*' and then
.str.replace(pattern, 'woonplaats')。这样你会打到所有的空白,而不仅仅是单个空格。您可能还需要考虑以句号、问号等结尾的单词。但我敢肯定,如果您在正则表达式中搜索识别整个单词,您会找到一个很好的解决方案。
.str.replace(pattern, 'woonplaats')
不起作用。它仍然会替换部分单词,现在还替换单词周围的空格。你不应该使用正则表达式单词边界吗?
pattern = r'\b' + '|'.join(gemeentes) + r'\b'
为我工作。以上是关于如果它包含列表中的单词,则替换 Pandas 系列中部分字符串的最快方法的主要内容,如果未能解决你的问题,请参考以下文章
字符串中的 Pyspark 双字符替换避免某些单词而不映射到 pandas 或 rdd