Desarrollo de Python
  1. Desarrollo de Python
  3. Cuenta el número de palabras por fila
Intereting Posts
¿Usando Django bulk_create objetos en claves externas? ¿Escribiendo una webcam virtual? ¿Por qué las imágenes fotográficas de Python no existen? Consejos para el progtwigdor de C # escribiendo Python ¿Hay una mejor manera de encontrar si la cadena contiene dígitos? ¿Es posible usar Python para escribir aplicaciones multiplataforma para iOS y Android? ¿Expresiones regulares en consultas SQLalchemy? Producto de computación de la fila i de array1 y la columna iith de array2 – NumPy ¿Cómo restablecer los índices de un DataFrame para todos los grupos en un solo paso? itertools.ifilter vs. filtro Vs. lista de comprensiones ¿Cómo simular llamadas de función encadenadas en python? Filtrado de DataFrame usando la longitud de una columna El objeto ‘dict’ no tiene atributo ‘has_key’ Ejecuta múltiples redes Tensorflow pre-entrenadas al mismo tiempo Django Celery ConnectionError: Demasiados latidos perdidos

Cuenta el número de palabras por fila

Estoy intentando crear una nueva columna en un dataframe que contiene el recuento de palabras para la fila respectiva. Estoy buscando el número total de palabras, no las frecuencias de cada palabra distinta. Asumí que habría una forma simple / rápida de hacer esta tarea común, pero después de buscar en Google y leer un puñado de publicaciones de SO ( 1 , 2 , 3 , 4 ) estoy atascado. He probado las soluciones presentadas en las publicaciones de SO vinculadas, pero recupero muchos errores de atributos. 

words = df['col'].split() df['totalwords'] = len(words)

resultados en 

 AttributeError: 'Series' object has no attribute 'split'

y 

 f = lambda x: len(x["col"].split()) -1 df['totalwords'] = df.apply(f, axis=1)

resultados en 

 AttributeError: ("'list' object has no attribute 'split'", 'occurred at index 0')

str.split + str.len

str.len funciona bien para cualquier columna no numérica. 

 df['totalwords'] = df['col'].str.split().str.len()

str.count

Si sus palabras están separadas por un solo espacio, simplemente puede contar los espacios más 1. 

 df['totalwords'] = df['col'].str.count(' ') + 1

Comprensión de lista

¡Esto es más rápido de lo que piensas! 

 df['totalwords'] = [len(x.split()) for x in df['col'].tolist()]

Aquí hay una forma de usar .apply() : 

 df['number_of_words'] = df.col.apply(lambda x: len(x.split()))

ejemplo

Dado este df : 

 >>> df col 0 This is one sentence 1 and another

Después de aplicar el .apply() 

 df['number_of_words'] = df.col.apply(lambda x: len(x.split())) >>> df col number_of_words 0 This is one sentence 4 1 and another 2

Nota : Como se indica en los comentarios, y en esta respuesta , .apply no es necesariamente el método más rápido. Si la velocidad es importante, mejor vaya con uno de los métodos de @cᴏʟᴅsᴘᴇᴇᴅ .

Esta es una forma de usar pd.Series.str.split y pd.Series.map : 

 df['word_count'] = df['col'].str.split().map(len)

Lo anterior asume que df['col'] es una serie de cadenas.

Ejemplo: 

 df = pd.DataFrame({'col': ['This is an example', 'This is another', 'A third']}) df['word_count'] = df['col'].str.split().map(len) print(df) # col word_count # 0 This is an example 4 # 1 This is another 3 # 2 A third 2

Con list y datos de map de frío. 

 list(map(lambda x : len(x.split()),df.col)) Out[343]: [4, 3, 2]