如何统计字符串列表中各目标短语出现次数并识别对应匹配短语？

你的现有代码只能得到每行的总匹配数，要统计每个目标短语的具体出现次数，可以用以下两种方案实现：

方案1：为每个短语单独统计（支持按行查看次数） #

这种方法会为每个目标短语生成一列，记录每行文本中该短语的出现次数，同时可以汇总全局总次数。

import pandas as pd
import re

# 读取文本数据（优化原代码的换行处理）
full_text = []
with open("hindu_texts.txt", encoding='utf-8') as myfile:
    for line in myfile:
        line = line.split("~")
        current = line[1].strip()  # strip()一次性去掉换行和前后空白，比多次replace简洁
        full_text.append(current)

# 读取神的列表（优化空行判断）
list_gods = []
with open("C:/Users/Owner/Documents/Fall_2022/hindu_gods.txt", encoding='utf-8') as myfile:
    for line in myfile:
        stripped_line = line.strip()
        if '~' not in stripped_line and stripped_line:
            list_gods.append(stripped_line)

text_data = pd.DataFrame({'words': full_text})

# 循环统计每个神的出现次数
for god in list_gods:
    # re.escape处理短语中的特殊字符（比如带点、括号的名字），避免正则语法错误
    # \b 确保匹配完整单词（可选，去掉则会匹配子串，比如"Ram"会匹配"Rama"）
    # flags=re.IGNORECASE 忽略大小写（可选，根据需求调整）
    text_data[god] = text_data['words'].str.count(
        rf'\b{re.escape(god)}\b', 
        flags=re.IGNORECASE
    )

# 输出每个神的全局总出现次数（按次数降序）
god_total_counts = text_data[list_gods].sum().sort_values(ascending=False)
print(god_total_counts)

# 如果需要查看每行的具体匹配次数，直接输出text_data即可
# print(text_data)

方案2：提取所有匹配短语后统计（快速全局统计） #

这种方法先提取每行中所有匹配的短语，再通过展开列表统计每个短语的总次数，同时能看到每行具体匹配了哪些短语。

import pandas as pd
import re

# 读取数据部分同方案1，省略...

# 构建正则模式：包裹每个短语，处理特殊字符，可选添加单词边界
pattern = r'\b(' + '|'.join(re.escape(god) for god in list_gods) + r')\b'

# 提取每行所有匹配的短语，返回列表格式
text_data['matches'] = text_data['words'].str.findall(pattern, flags=re.IGNORECASE)

# 展开匹配列表，统计每个短语的全局出现次数
all_matches = text_data['matches'].explode().dropna()  # 去掉空匹配的行
god_total_counts = all_matches.value_counts()
print(god_total_counts)

# 查看每行的原文本和匹配到的短语
print(text_data[['words', 'matches']])

注意事项 #

• 单词边界\b：如果你的目标短语包含空格（比如"Lord Shiva"），\b会失效，此时可以去掉\b，或者用(?<!\S)和(?!\S)来匹配短语的前后空白/字符串边界。
• 大小写匹配：如果不需要区分大小写，保留flags=re.IGNORECASE；如果严格区分，去掉该参数。
• 特殊字符处理：re.escape必须保留，否则短语中的正则特殊字符（如.、*）会导致匹配错误。

内容的提问来源于stack exchange，提问作者user27606