python - 从 Pandas 数据框中提取并计算每行的唯一主题标签

Question

我有一个 pandas 数据框 df，其中有一个字符串列 Posts，如下所示:

df['Posts']
0       "This is an example #tag1"
1       "This too is an example #tag1 #tag2"
2       "Yup, still an example #tag1 #tag1 #tag3"

当我尝试使用以下代码来计算主题标签的数量时，

count_hashtags = df['Posts'].str.extractall(r'(\#\w+)')[0].value_counts()

我明白了，

#tag1             4
#tag2             1
#tag3             1

但我需要计算每行唯一主题标签的结果，如下所示:

#tag1             3
#tag2             1
#tag3             1

Answer 1

使用 drop_duplicates 去除每个帖子的重复标签，然后您可以使用 value_counts

df.Posts.str.extractall(
    r'(\#\w+)'
).reset_index().drop_duplicates(['level_0', 0])[0].value_counts()

将 level=0 传递给 reset_index 的较短替代方案

df.Posts.str.extractall(
    r'(\#\w+)'
).reset_index(level=0).drop_duplicates()[0].value_counts()

两者都会输出:

#tag1    3
#tag3    1
#tag2    1
Name: 0, dtype: int64