如何使用Python基于DataFrame构建倒排索引（Inverted Index）

以下是基于Python+pandas的实现代码，可直接适配你的DataFrame结构：

前置依赖 #

需要用到的基础库，无需额外安装第三方包：

• pandas：用来读取/处理你的DataFrame
• collections.defaultdict：用来初始化倒排索引结构

完整实现代码 #

import pandas as pd
from collections import defaultdict

# --------------- 1. 加载你的DataFrame，此处为示例构造，替换为你自己的数据源即可 ---------------
df = pd.DataFrame({
    'document': ['Ancient Egypt', 'Nile River'],
    'content': [
        'Ancient Egypt was a civilization of ancient North Africa',
        'The Nile is a major north flowing river in northeastern Africa'
    ]
})

# --------------- 2. 核心倒排索引构建逻辑 ---------------
inverted_index = defaultdict(list)

for _, row in df.iterrows():
    doc = row['document']
    # 按空格拆分内容为单词，可根据需求添加预处理逻辑
    words = row['content'].split()
    # 对单篇文档内的单词去重，避免同一文档重复录入
    for word in set(words):
        if doc not in inverted_index[word]:
            inverted_index[word].append(doc)

# 转为普通字典，完全匹配你需要的输出格式
result = dict(inverted_index)

输出验证 #

打印result即可得到你要的格式：

print(result)
# 输出示例：
# {'a': ['Ancient Egypt', 'Nile River'],
#  'Egypt': ['Ancient Egypt'],
#  'is': ['Nile River']}

可选优化项 #

如果需要优化索引准确性，可以添加单词预处理逻辑：

• 统一单词大小写：word = word.lower()，避免A和a被识别为两个不同单词
• 过滤标点符号：导入string库后用word = word.strip(string.punctuation)，去除单词两端的逗号、句号等符号
• 过滤停用词：可自定义停用词列表，过滤掉the、of这类无实际检索意义的单词

内容的提问来源于stack exchange，提问作者N-Sam