如何将for循环内spaCy提取的名词结果作为DataFrame新增列

你的代码无法正常运行，是几个写法错误导致的：

• 每次循环处理单条文本时，都执行dataset["Noun"] = xxx对全列赋值，会直接覆盖之前所有行的处理结果，最终全列只会保留最后一条文本的提取值
• dataset.assign(nouns.values)属于API用法错误：assign的作用是返回带新列的新DataFrame，入参必须是列名=值的键值对格式，不能直接传入数组
• 把Matcher初始化、规则添加的逻辑写在循环里，会重复创建对象拖慢运行速度；且sentence = doc后又执行doc = nlp(sentence)属于冗余操作，doc对象不需要再传入nlp重复处理
• 匹配规则用{'POS': 'NOUN', 'OP': '?'}表示匹配0或1个名词，会产生大量空匹配结果，不符合提取名词的需求

把公共初始化逻辑移到循环外，用列表暂存每一行的提取结果，循环结束后一次性给新列赋值即可：

import spacy
from spacy.matcher import Matcher
from spacy.util import filter_spans

# 模型、匹配器只初始化一次，不要放在循环里
nlp = spacy.load("en_core_web_lg")
matcher = Matcher(nlp.vocab)
# 匹配规则调整为匹配1个及以上连续名词，避免空匹配；如果只需要提取单个名词，直接去掉OP参数即可
pattern = [{'POS': 'NOUN', 'OP': '+'}]
matcher.add("Noun phrase", [pattern])

result_nouns = []
# 直接遍历文本列，不需要用iloc按索引取值
for txt in dataset["Text"]:
    doc = nlp(txt)
    matches = matcher(doc)
    spans = [doc[start:end] for _, start, end in matches]
    filtered_nouns = filter_spans(spans)
    # 两种存储格式二选一：
    # 1. 用逗号拼接成字符串存储
    current_noun = ", ".join([span.text for span in filtered_nouns])
    # 2. 存为列表格式：current_noun = [span.text for span in filtered_nouns]
    result_nouns.append(current_noun)

# 所有行处理完后一次性赋值新列
dataset["Noun"] = result_nouns

• 不要在for循环中对DataFrame整列赋值，这种写法不仅会覆盖结果，运行效率也极低
• 提取名词时记得取Span对象的.text属性拿到实际字符串，不要直接存spaCy的Span对象，否则后续做DataFrame序列化、导出操作时会报错
• 如果需要匹配更复杂的名词短语，可以调整pattern规则，比如加上形容词、限定词的匹配逻辑

内容的提问来源于stack exchange，提问作者Andrzej