我有一组单词
{'DNA',
'pada',
'yang',...}
我正试图找出集合中的单词是否在下面的二元数据帧上有单词对
bigramf freq
0 (DNA, yang) 15
1 (DNA, dalam) 6
2 (DNA, ini) 5
3 (DNA, memiliki) 4
4 (DNA, unting) 4
5 (pada, DNA) 4
6 (pada, urutan) 3
7 (yang, diperoleh) 3
8 (yang, lebih) 3
9 (pada, sejumlah) 2
10 (pada, RNA) 2
11 (pada, satu) 2
12 (yang, berbeda) 2
13 (yang, sama) 2
14 (yang, tumpang) 2
如果是这样,那么预期的输出将是这样的:
yang [('lebih', 3), ('diperoleh', 3), ('berbeda', 2), ('tumpang', 2), ('sama', 2)]
DNA [('yang', 15), ('dalam', 6), ('ini', 5), ('memiliki', 4), ('unting', 4)]
pada [('DNA', 4), ('urutan', 3), ('sejumlah', 2), ('RNA', 2), ('satu', 2)]
我该怎么找?。有人能帮忙吗?谢谢非常感谢您的帮助。
首先将包含元组的列转换为新的2列(不要使用apply(pd.Series)
,因为slow
(,然后在boolean indexing
中通过Series.isin
过滤匹配值,并在GroupBy.apply
中将值转换为元组列表:
s = {'DNA',
'pada',
'yang'}
df[['s', 'v']] = pd.DataFrame(df['bigramf'].tolist(), index=df.index)
s = df[df['s'].isin(s)].groupby('s')['v','freq'].apply(lambda x: list(map(tuple, x.values)))
print (s)
s
DNA [(yang, 15), (dalam, 6), (ini, 5), (memiliki, ...
pada [(DNA, 4), (urutan, 3), (sejumlah, 2), (RNA, 2...
yang [(diperoleh, 3), (lebih, 3), (berbeda, 2), (sa...
dtype: object
如果需要字典,请添加Series.to_dict
:
d = s.to_dict()
print (d)
{'DNA': [('yang', 15), ('dalam', 6), ('ini', 5), ('memiliki', 4), ('unting', 4)],
'pada': [('DNA', 4), ('urutan', 3), ('sejumlah', 2), ('RNA', 2), ('satu', 2)],
'yang': [('diperoleh', 3), ('lebih', 3), ('berbeda', 2), ('sama', 2), ('tumpang', 2)]}
collections.defaultdict
的另一个解决方案:
from collections import defaultdict
d = defaultdict(list)
for (s1, v1), f1 in df.to_numpy():
if s1 in s:
d[s1].append((v1, f1))
d = dict(d)
print (d)
{'DNA': [('yang', 15), ('dalam', 6), ('ini', 5), ('memiliki', 4), ('unting', 4)],
'pada': [('DNA', 4), ('urutan', 3), ('sejumlah', 2), ('RNA', 2), ('satu', 2)],
'yang': [('diperoleh', 3), ('lebih', 3), ('berbeda', 2), ('sama', 2), ('tumpang', 2)]}
我所做的是匹配单词
我循环浏览数据帧,获取每个元素并将其传递给像这样的def
def match_words(actual_word, word):
return set(actual_word.split()).intersection(word.split())