如何遍历DataFrame每行文本计算positivity值并新增对应存储列

假设你的DataFrame变量名为df，存储文本的列名为content（如果你的实际列名不同，替换成对应名称即可），可以用以下两种方式实现：

方案1：批量处理（优先推荐，运算效率更高） #

直接将整列文本一次性传入模型预测，避免逐行循环的性能损耗：

# 取出所有文本转为列表
text_list = df['content'].tolist()
# 批量处理文本
seq = tokenizer.texts_to_sequences(text_list)
seq = pad_sequences(seq, maxlen=maxlen)
# 批量预测
predictions = model.predict(seq)
# 把预测结果扁平化后存入新列positivity
df['positivity'] = predictions.flatten()

方案2：逐行apply处理（适合小数据量，写法更简洁） #

如果你数据量不大，可以用pandas的apply方法逐行计算：

def calc_positivity(text):
    seq = tokenizer.texts_to_sequences([text])
    seq = pad_sequences(seq, maxlen=maxlen)
    prediction = model.predict(seq, verbose=0) # 关闭预测日志输出
    return prediction[0][0] # 按实际返回的数组维度调整取值逻辑

df['positivity'] = df['content'].apply(calc_positivity)

注意：如果你的模型返回的prediction维度和示例不同，需要自行调整取值逻辑，保证最终存入列的是单值即可。

内容的提问来源于stack exchange，提问作者YanRemes