如何在 Pandas 数据帧 (Python) 的语料库中找到最常见的单词

How to find most frequnet words in a corpus in Pandas dataframe (Python)

我有 Pandas 数据框,看起来像 following.I 已经标记了我的文本文件并使用 NLTK Countvectorizer 转换为 pandas 数据框。此外,我已经从我的 coupus 中删除了停用词和标点符号。我试图在 pandas 数据框中找到我语料库中最常用的词。在下面的数据框中,"aaron" 和 "abandon" 等词出现了 >10 次,因此这些词应该在新的数据框中。

注意:我是 python 的新手,我不确定如何实现它。用代码提供解释。

数据帧的子集

我已经清理了我的语料库,我的 dataframe 如下所示

{'aaaahhhs': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 0, 997: 0, 998: 0, 999: 0, 1000: 1}, 'aahs': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 0, 997: 0, 998: 0, 999: 0, 1000: 1}, 'aamir': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 0, 997: 0, 998: 0, 999: 0, 1000: 1}, 'aardman': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 0, 997: 0, 998: 0, 999: 0, 1000: 2}, 'aaron': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 4, 997: 0, 998: 0, 999: 0, 1000: 14}, 'abandon': {990: 0, 991: 0, 992: 0, 993: 0, 994: 0, 995: 0, 996: 0, 997: 0, 998: 0, 999: 0, 1000: 16}}

如果需要前N个词:

N = 2 
print (df.sum().nlargest(N).index)
Index(['aaron', 'abandon'], dtype='object')

另一个解决方案:

print (df.sum().sort_values(ascending=False).index[:N])
Index(['aaron', 'abandon'], dtype='object')

如果需要也算在一栏DataFrameSeries(去掉to_frame):

N = 2
print (df.sum().nlargest(N).to_frame('count'))
         count
aaron       18
abandon     16
print (df.sum().sort_values(ascending=False).iloc[:N].to_frame('count'))
         count
aaron       18
abandon     16

如果需要2列DataFrame:

print (df.sum().nlargest(N).rename_axis('word').reset_index(name='count'))
      word  count
0    aaron     18
1  abandon     16

print (df.sum()
         .sort_values(ascending=False).iloc[:N]
         .rename_axis('word')
         .reset_index(name='count'))
      word  count
0    aaron     18
1  abandon     16

尝试:

dftop2 = pd.DataFrame(df.sum().sort_values(ascending=False).head(2))

你得到:

         0
aaron   18
abandon 16