Pandas - 来自 Pandas 列正则表达式组的不同值列表 [重复]

Question

我在 Pandas 数据框中拥有所有英语维基百科文章的第一行，我想将括号中提到的语言提取到一个不同的列表中。

例如：

text
A cat (Afrikaans: kat, German: katze) is an animal.
This line does not contain anything.
A dog (Afrikaans: hond, German: hund, Some language: dog) is an animal.

我想要一份带有['Afrikaans', 'German', 'Some language'] 的列表。

也不确定如何为 df.text.str.extract(r'(\w+):') 之类的东西指定支持正则表达式的 unicode

有人对如何做到这一点有任何想法吗？

Answer 1

这是我的建议：

1. 将括号中的文本提取为一列
2. 从第 1 列中提取所有大写单词，分组到一个列表中
3. 从第 2 列中展平列表并获得不同

这里是：

text = \
["A cat (Afrikaans: kat, German: katze) is an animal.", 
"A dog (Afrikaans: hond, German: hund, Some language: dog) is an animal."]

df = pd.DataFrame(text, columns=['text'])
df['in_parentheses'] = df['text'].str.extract("\(([^)]+)\)")
df['languages'] = df['in_parentheses'].str.extractall("([A-Z]\w+)").groupby(level=0)[0].apply(list)

set(sum(df['languages'], []))

得到：

{'Afrikaans', 'German', 'Some'}