如何统计Pandas DataFrame评论内容中提及频次Top3的股票ticker

核心实现用正则做全词匹配+计数器统计，不需要额外安装第三方库，运行效率高，还能避免普通单词误匹配成ticker的问题。

前置依赖 #

用到的都是Python数据处理的常规工具，不需要额外装包：

• pandas（已用于存储两份数据集）
• 标准库re（正则匹配）
• 标准库collections.Counter（频次统计）

具体实现步骤 #

1. 构建精准的ticker匹配规则 #

首先从存储ticker的DataFrame中提取所有有效股票代码，统一转大写（适配Reddit用户提及股票代码的书写习惯，同时兼容大小写混写的场景），再通过正则词边界做全词匹配，避免出现「ticker是A，匹配到Apple里的A」这类误判。

import re
from collections import Counter

# 提取所有非空ticker，去重、统一转大写
all_tickers = ticker_df["ticker_symbols"].dropna().str.upper().unique()
# 生成正则匹配模式：\b代表词边界，re.escape处理ticker里的点、横杠等特殊字符
ticker_pattern = re.compile(
    r"\b(" + "|".join(re.escape(ticker) for ticker in all_tickers) + r")\b"
)

2. 遍历评论统计ticker提及频次 #

遍历评论DataFrame的comm.body字段，每条评论先统一转大写，再用上面的正则提取所有命中的ticker，累计计数即可。评论量在百万级以内时，这个方法的运行速度完全够用。

# 初始化计数器
mention_counter = Counter()

for content in comments_df["comm.body"].dropna().astype(str):
    # 可选：先清洗评论里的干扰内容，比如链接、@用户名，提升匹配准确率
    cleaned_content = re.sub(r"https?://\S+|@\w+", "", content)
    # 统一转大写后匹配所有ticker
    hit_tickers = ticker_pattern.findall(cleaned_content.upper())
    # 更新计数
    mention_counter.update(hit_tickers)

3. 输出提及次数Top3的ticker #

直接调用计数器的most_common方法就能拿到排序后的结果，返回格式为(ticker符号, 提及次数)的元组列表：

top3 = mention_counter.most_common(3)

# 打印结果
for ticker, cnt in top3:
    print(f"股票代码 {ticker}，累计被提及 {cnt} 次")

优化提示 #

• 如果ticker列表里存在长度过短的符号（比如单字母A、T），可以在构建ticker列表的时候加一层过滤，比如只保留长度≥2的ticker，能进一步降低误判率
• 如果要区分ticker是在正文还是引用内容里，可以提前把评论里的引用块（以>开头的行）过滤掉再匹配，统计结果会更准确

内容的提问来源于stack exchange，提问作者TheMaffGuy