Pandas DataFrame统计emoji出现次数时触发'nothing to repeat'正则报错
报错触发原因
Pandas的.str.count()方法底层基于正则表达式实现匹配,并非纯字面量字符串匹配。emoji.UNICODE_EMOJI存储的全量emoji Unicode键中,部分字符属于正则语法特殊元字符(如*、+、?、[、]等)。当这类字符直接作为正则匹配模式传入时:
- 若元字符是
*、+这类表示重复次数的量词,且出现在匹配模式的起始位置,正则解析器会因找不到量词修饰的前置内容,直接抛出nothing to repeat语法错误。
你调试时单独打印计数能正常输出,是因为测试用到的少量emoji刚好不含正则特殊元字符,未触发解析异常;全量遍历所有emoji键值时,碰到带特殊元字符的条目就会中断程序。
解决方法
- 最小改动适配现有代码逻辑
导入Python标准库re模块,对每个传入str.count()的emoji字符做正则转义,将元字符转换为正则可识别的字面量,修改后核心代码如下:import re # 保留原有初始化emoji_cnt、遍历emoji.UNICODE_EMOJI填充键值的逻辑不变 for k in emoji_cnt: # 对emoji字符做正则转义,避免特殊元字符触发解析错误 s = df["Message"].str.count(re.escape(k[0])).sum() k.append(s) - 绕开正则依赖的纯字符串匹配方案
如果不想引入正则转义逻辑,可以用Pandas的apply方法做逐行纯字符串计数,完全绕开.str方法的正则解析逻辑:for k in emoji_cnt: em = k[0] # 逐行统计文本中emoji出现次数,最后求和 s = df["Message"].dropna().apply(lambda text: str(text).count(em)).sum() k.append(s) - 高版本emoji库的高效替代方案
若安装的emoji库版本>=2.0.0,旧版emoji.UNICODE_EMOJI属性已被弃用,可直接调用库内置的emoji提取、计数功能完成统计,效率远高于逐一遍历所有emoji的方式:from collections import Counter total_emoji_stats = Counter() for msg in df["Message"].dropna().astype(str): # 提取当前文本中所有出现的emoji extracted = emoji.emoji_list(msg) # 累计计数 total_emoji_stats.update([item["emoji"] for item in extracted])
内容的提问来源于stack exchange,提问作者Habenzu
相关产品推荐
相关产品推荐

