Pandas是否有非正则内置精确字符串匹配函数及计数差异疑问
Pandas字符串匹配相关问题解答
两个统计结果差异的原因
数值差异本质是两种写法的统计逻辑完全不同:
- Kaggle官方答案的逻辑是统计包含
tropical的评论行数:"tropical" in x返回布尔值,只要该行出现至少一次就算1次,单行出现多次也不会重复计数,求和后得到的是符合条件的总行数。你写的测试函数返回True符合这个逻辑,布尔值转整数时True对应1,所以不会重复统计。 str.count()默认逻辑是统计所有评论中tropical的总出现次数:单行出现多少次就计多少次,比如某条评论写了2次tropical就会计2,累加后数值自然会更高。
Pandas非正则精确字符串匹配的内置方法
Pandas的str系列方法都支持关闭正则模式,实现纯精确字符串匹配,完全可以替代可读性较差的map写法:
1. 实现和Kaggle答案等价的「是否包含」统计
用str.contains(),指定regex=False关闭正则解析即可,写法如下:
tropical = reviews['description'].str.contains("tropical", regex=False).sum()
这个写法和Kaggle的map写法结果完全一致,可读性更高。
2. 实现精确匹配的总出现次数统计
如果你的需求是统计所有出现次数,给str.count()也加上regex=False参数即可,避免传入的搜索词含正则特殊字符时出现非预期结果:
tropical_total_count = reviews['description'].str.count("tropical", regex=False).sum()
内容的提问来源于stack exchange,提问作者user2415706
相关产品推荐
相关产品推荐

