如何删除数据框中的重复字母？

Question

我有以下字符串：

"hello, I'm going to eat to the fullest today hhhhhhhhhhhhhhhhhhhhh"

我收集了很多这样的推文并将它们分配给一个数据框。如何通过删除 "hhhhhhhhhhhhhhhhhh" 并只保留该行中的其余字符串来清理数据框中的那些行？

后面我也在用countVectorizer，所以词汇表里有很多'hhhhhhhhhhhhhhhhhhhhhhh'

Answer 1

使用正则表达式。

例如：

import pandas as pd

df = pd.DataFrame({"Col": ["hello, I'm going to eat to the fullest today hhhhhhhhhhhhhhhhhhhhh", "Hello World"]})
#df["Col"] = df["Col"].str.replace(r"\b(.)+\b", "")
df["Col"] = df["Col"].str.replace(r"\s+(.)+\b", "").str.strip()
print(df)

输出：

                                             Col
0  hello, I'm going to eat to the fullest today 
1                                    Hello World

Answer 2

你可以试试这个：

df["Col"] = df["Col"].str.replace(u"h{4,}", "")

在我的情况下，您可以设置要匹配的字符数 4.

                                        Col
0  hello, I'm today hh hhhh hhhhhhhhhhhhhhh
1                               Hello World
                     Col
0  hello, I'm today hh  
1            Hello World

我使用了 unicode 匹配，因为你提到你在推文中。

如何删除数据框中的重复字母？

How to remove repeating letter in a dataframe?

python

string

dataframe

countvectorizer