我有一个熊猫数据框,其中包含100万条推文的详细信息,包括推文本身和其他各种属性。我正在尝试从推文中提取主题标签列表。重要的是该列表仍与每个推文相关联,而不是所有推文中的主题标签列表。

我拥有的推文数量意味着运行将需要数小时/天。正如我已经尝试过的那样,除了在熊猫数据框上使用迭代之外,还有其他选择吗?

def extracthash(x):
    for index, row in tweets_scored.iterrows():
    tweets_scored.loc[:,"Hashtags"]= tweets_scored.text.str.find(r'#.*?(?=\s|$)')
    return tweets_scored

tweets_scored.apply(extracthash, axis=1)


这就是我的目标,如果我在数据框中仅获取少量行的子集,则代码可以正常工作。

text                                    hashtag list

I like #cheese and #flour        [#cheese, #flour]

He eats #bread                            [#bread]


任何帮助,由衷的感谢!谢谢

最佳答案

我在类似情况(推特上的NLP)中使用此小循环来提取推特的主题标签和at引用。快速而简单:

import re
tHash = []
tAt = []
for item in tweets:
    if re.search('^@.*', item):
       tAt.append(item)

    if re.search('^#.*', item):
       tHash.append(item)

关于python - 使用正则表达式从推文中提取主题标签的更快方法,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/54491737/

10-12 23:15