python - 根据列表中的多个单词从 pandas 数据框中提取所有短语

Question

我有一个 list ，L:

L = ['top', 'left', 'behind', 'before', 'right', 'after', 'hand', 'side']

我有一个 Pandas 数据框，DF:

<头>

文字
对象在人之前和之后
物体在人的背后
右边的对象紧挨着人的左上角

我想以这种方式从 DF 列“文本”中提取 L 中的所有单词:

<头>

文字	Extracted_Value
对象在人之前和之后	之前_之后
物体在人的背后	后面
右边的对象紧挨着人的左上角	right_top 左侧

对于案例 1 和 2，我的代码正在运行:

L = ['top', 'left', 'behind', 'before', 'right', 'after', 'hand', 'side']
pattern = r"(?:^|\s+)(" + "|".join(L) + r")(?:\s+|$)"
df["Extracted_Value "] = (
    df['Text'].str.findall(pattern).str.join("_").replace({"": None})
)

对于案例 3，我得到 right_top_hand。

与第三个示例一样，如果识别出的单词是连续的，则将它们作为一个短语(一次提取)来提取。所以在右边的对象是人的左上角旁边，有两个提取 - 右边和左上角。因此，只有这两个提取由 _ 分隔。

我不知道如何让它工作!

Answer 1

试试:

df["Extracted_Value"] = (
    df.Text.apply(
        lambda x: "|".join(w if w in L else "" for w in x.split()).strip("|")
    )
    .replace(r"\|{2,}", "_", regex=True)
    .str.replace("|", " ", regex=False)
)
print(df)

打印:

                                                          Text           Extracted_Value
0             the objects are both before and after the person              before_after
1                              the object is behind the person                    behind
2  the object in right is next to top left hand side of person  right_top left hand side

---

编辑:改编@Wiktor 对 Pandas 的回答:

pattern = fr"\b((?:{'|'.join(L)})(?:\s+(?:{'|'.join(L)}))*)\b"

df["Extracted_Value"] = (
    df["Text"].str.extractall(pattern).groupby(level=0).agg("_".join)
)
print(df)