如何在Pandas DataFrame中提取字符串的双字母Bigram

错误原因分析 #

• 方法1/2错误：直接对整个Series调用zip或ngrams，是将列中相邻行的字符串配对，而非单个字符串内部的字母组合，导致结果长度与原索引不匹配。
• 方法3错误：re.findall需要传入单个字符串，直接作用于Series会因类型不匹配报错。

正确实现方法 #

方法1：自定义函数+apply #

import pandas as pd

def get_letter_bigrams(s):
    # 处理空字符串或长度<2的情况
    if len(s) < 2:
        return []
    return [s[i:i+2] for i in range(len(s)-1)]

# 示例DataFrame
df = pd.DataFrame({'string': ['hello', 'world', 'a', '']})
df['output'] = df['string'].apply(get_letter_bigrams)
# 转为逗号分隔的字符串（匹配示例格式）
df['output'] = df['output'].apply(lambda x: ', '.join(x))

运行后输出：

方法2：使用nltk的ngrams（需先安装nltk） #

import pandas as pd
from nltk.util import ngrams

def get_letter_bigrams(s):
    if len(s) < 2:
        return []
    return [''.join(bigram) for bigram in ngrams(s, 2)]

df = pd.DataFrame({'string': ['hello', 'world']})
df['output'] = df['string'].apply(get_letter_bigrams).apply(lambda x: ', '.join(x))

关键注意点 #

• 必须针对每个字符串单独处理字母组合，而非对整个Series操作。
• 加入对短字符串/空字符串的判断，避免索引越界错误。

内容的提问来源于stack exchange，提问作者Will L