R unnest_token() v.s Python pandas str.split() 中的正则表达式行为

Question

我想使用 python pandas 复制类似于下面 df_long 的结果。这是 R 代码：

df <- data.frame("id" = 1, "author" = 'trump', "Tweet" = "RT @kin2souls: @KimStrassel Anyone that votes")

unnest_regex  <- "([^A-Za-z_\d#@']|'(?![A-Za-z_\d#@]))"

df_long <- df %>%
  unnest_tokens(
    word, Tweet, token = "regex", pattern = unnest_regex)

如果我没理解错的话，unnest_regex 的书写方式也能找到数字（在空格和少量标点符号中）。我不明白为什么 R 会将字符串中的数字（例如“@kin2souls”）视为不匹配条件。因此，我们在 df_long 中得到了一个结果，@kin2souls 单独成一行。但是，当我尝试在 pandas:

中复制它时

unnest_regex = r"([^A-Za-z_\d#@']|'(?![A-Za-z_\d#@]))"

df = df_long.assign(word=df['Tweet'].str.split(unnest_regex)).explode('word')
df.drop("Tweet", axis=1, inplace=True)

它会将“@kin2souls”字符串拆分为“@kin”和“souls”作为单独的行。另外，由于unnest_regex使用了捕获括号，在Python中，我修改为：

unnest_regex = r"[^A-Za-z_\d#@']|'(?![A-Za-z_\d#@])"

这是为了避免出现空字符串。我想知道这是否也是一个促成因素。但是，“2”处的分裂仍然发生。任何人都可以在 Python 中提出解决方案并可能解释为什么 R 会这样吗？谢谢！

这是Python中的数据：

data = {'id':[1], "author":["trump"], "Tweet": ["RT @kin2souls: @KimStrassel Anyone that votes"]}
df = pd.DataFrame.from_dict(data)

预期结果：

data_long = {'id':[1,1,1,1,1,1], "author":["trump","trump","trump","trump","trump","trump"], "word": ["rt", "@kin2souls", "@kimstrassel", "anyone", "that", "votes"]}
df_long = pd.DataFrame.from_dict(data_long)

Answer 1

str split and explode 的组合应该复制您的输出：

(df
 .assign(Tweet=df.Tweet.str.lower().str.split(r"[:\s]"))
 .explode("Tweet")
 .query('Tweet != ""')
 .reset_index(drop=True)
)


    id  author  Tweet
0   1   trump   rt
1   1   trump   @kin2souls
2   1   trump   @kimstrassel
3   1   trump   anyone
4   1   trump   that
5   1   trump   votes

我利用了文本由 space 分隔的事实，偶尔 :

或者，您可以使用 str extractall - 我觉得它有点长 :

(
    df.set_index(["id", "author"])
    .Tweet.str.lower()
    .str.extractall(r"\s*([a-z@\d]+)[:\s]*")
    .droplevel(-1)
    .rename(columns={0: "Tweet"})
    .reset_index()
)

不确定 unnest_token 如何使用正则表达式 - 也许其他人可以解决这个问题

R unnest_token() v.s Python pandas str.split() 中的正则表达式行为

Regular Expression Behavior in R unnest_token() v.s Python pandas str.split()

python

r

regex

pandas

tidytext