Python 统计数据帧中每个特定单词的出现次数

我想计算数据帧中每个特定单词的出现次数。我目前使用的是

str.contains

：

a = df2[df2['col1'].str.contains("sample")].groupby('col2').size()
n = a.apply(lambda x: 1).sum()

---

是否有方法匹配正则表达式并获取出现次数？在我的例子中，我有一个大的数据帧，我想匹配大约100个字符串。

要计算匹配的总数，请使用

s.str.match（…）.str.get（0.count（）

如果您的正则表达式将匹配多个单独的单词，请使用

s.str.match（…）.str.get（0）.groupby（lambda x:x）.count（）

它的工作原理如下：

In [12]: s
Out[12]: 
0    ax
1    ay
2    bx
3    by
4    bz
dtype: object

match

string方法处理正则表达式

In [13]: s.str.match('(b[x-y]+)')
Out[13]: 
0       []
1       []
2    (bx,)
3    (by,)
4       []
dtype: object

…但给出的结果并不十分方便。string方法

get

将匹配项作为字符串，并将空结果转换为NaN

In [14]: s.str.match('(b[x-y]+)').str.get(0)
Out[14]: 
0    NaN
1    NaN
2     bx
3     by
4    NaN
dtype: object

…这不算在内

In [15]: s.str.match('(b[x-y]+)').str.get(0).count()
Out[15]: 2

---

更新：原始答案统计包含子字符串的行

要计算子字符串的所有出现次数，可以使用：

---

str.contains

方法接受正则表达式：

Definition: df.words.str.contains(self, pat, case=True, flags=0, na=nan)
Docstring:
Check whether given pattern is contained in each string in the array

Parameters
----------
pat : string
    Character sequence or regular expression
case : boolean, default True
    If True, case sensitive
flags : int, default 0 (no flags)
    re module flags, e.g. re.IGNORECASE
na : default NaN, fill value for missing values.

例如：

In [11]: df = pd.DataFrame(['hello', 'world'], columns=['words'])

In [12]: df
Out[12]:
   words
0  hello
1  world

In [13]: df.words.str.contains(r'[hw]')
Out[13]:
0    True
1    True
Name: words, dtype: bool

In [14]: df.words.str.contains(r'he|wo')
Out[14]:
0    True
1    True
Name: words, dtype: bool

要计算发生次数，只需将此布尔数列求和即可：

In [15]: df.words.str.contains(r'he|wo').sum()
Out[15]: 2

In [16]: df.words.str.contains(r'he').sum()
Out[16]: 1

---

您可以使用

value\u count

功能

将熊猫作为pd导入
#指向.csv文件的URL
数据https://vincentarelbundock.github.io/Rdatasets/csv/carData/Arrests.csv'
#读取数据
df=pd.read\u csv（数据url，索引列=0）

#熊猫在列中计算不同的值
df['sex'].value_counts（）

---

来源：

这更简洁，可能更快，省去了

get

@Andy Hayden:让我们假设我想要“hello”计数和“word”计数并打印“hello”计数=1”，“word”计数=1”？我能用一行代码完成吗？

word_regexs=[r'he'，r'wo']

然后用

pd.Series创建一个系列吗(（df.words.str.contains（r）.sum（）表示word_regexs中的r），word_regexs，name='count'）

？这实际上不计算出现次数。这会计算包含单词的行数，因此如果单词可以在单元格中多次出现，则不起作用。子字符串而不是子字符串上存在键入错误。（第一行）：谢谢Allan，我的问题是不计算，匹配正则表达式如何..Andy提供了一个简洁的答案，正如您所同意的..：）

In [15]: df.words.str.contains(r'he|wo').sum()
Out[15]: 2

In [16]: df.words.str.contains(r'he').sum()
Out[16]: 1