从 pandas DataFrame 创建词密度矩阵的高效方法

Question

我正在尝试从一个pandas数据框中创建一个术语密度矩阵，这样我就可以对数据框中出现的术语进行评分。我还希望能够保留数据的“空间”特性（在帖子末尾的评论中有我想表达的例子）。

我对pandas和NLTK还不太熟悉，所以我希望我的问题能用一些现有的工具解决。

我的数据框中有两列比较重要：比如说“标题”和“页面”。

    import pandas as pd
    import re

    df = pd.DataFrame({'title':['Delicious boiled egg','Fried egg ','Split orange','Something else'], 'page':[1, 2, 3, 4]})
    df.head()

       page                 title
    0     1  Delicious boiled egg
    1     2            Fried egg 
    2     3          Split orange
    3     4        Something else

我的目标是清理文本，并将感兴趣的术语传递到一个TDM数据框中。我使用了两个函数来帮助我清理字符串。

    import nltk.classify
    from nltk.tokenize import wordpunct_tokenize
    from nltk.corpus import stopwords
    import string   

    def remove_punct(strin):
        '''
        returns a string with the punctuation marks removed, and all lower case letters
        input: strin, an ascii string. convert using strin.encode('ascii','ignore') if it is unicode 
        '''
        return strin.translate(string.maketrans("",""), string.punctuation).lower()

    sw = stopwords.words('english')

    def tok_cln(strin):
        '''
        tokenizes string and removes stopwords
        '''
        return set(nltk.wordpunct_tokenize(strin)).difference(sw)

还有一个函数用来处理数据框的操作。

    def df2tdm(df,titleColumn,placementColumn,newPlacementColumn):
        '''
        takes in a DataFrame with at least two columns, and returns a dataframe with the term density matrix
        of the words appearing in the titleColumn
        Inputs: df, a DataFrame containing titleColumn, placementColumn among others
        Outputs: tdm_df, a DataFrame containing newPlacementColumn and columns with all the terms in df[titleColumn]
        '''
        tdm_df = pd.DataFrame(index=df.index, columns=[newPlacementColumn])
        tdm_df = tdm_df.fillna(0)
        for idx in df.index:
            for word in tok_cln( remove_punct(df[titleColumn][idx].encode('ascii','ignore')) ):
                if word not in tdm_df.columns:
                    newcol = pd.DataFrame(index = df.index, columns = [word])
                    tdm_df = tdm_df.join(newcol)
        tdm_df[newPlacementColumn][idx] = df[placementColumn][idx]
        tdm_df[word][idx] = 1
        return tdm_df.fillna(0,inplace = False)

    tdm_df = df2tdm(df,'title','page','pub_page')
    tdm_df.head()

这个过程的结果是：

      pub_page boiled egg delicious fried orange split something else
    0        1      1   1         1     0      0     0         0    0
    1        2      0   1         0     1      0     0         0    0
    2        3      0   0         0     0      1     1         0    0
    3        4      0   0         0     0      0     0         1    1

但是在处理大数据集时（输出有十万行，几千列）速度非常慢。我的两个问题是：

我能加快这个实现的速度吗？

有没有其他工具可以用来完成这个任务？

我希望能够保留数据的“空间”特性，比如如果“蛋”这个词在第1到第10页出现得很频繁，然后在第500到第520页又频繁出现，我想知道这一点。

Answer 1

herrfz 提供了一种处理这个问题的方法，但我想指出的是，使用 Python 的集合来创建一个词频数据结构其实是没什么用的，因为集合只保存唯一的对象。这样你就无法记录每个词的出现次数，只能知道某一行中是否有这个词。

return set(nltk.wordpunct_tokenize(strin)).difference(sw)

为了去掉一些常用的无意义词，你可以做类似这样的操作：

tokens_stripped = [token for token in tokens 
                   if token not in stopwords]

在进行分词之后。

Answer 2

你可以使用 scikit-learn 里的 CountVectorizer：

In [14]: from sklearn.feature_extraction.text import CountVectorizer

In [15]: countvec = CountVectorizer()

In [16]: countvec.fit_transform(df.title)
Out[16]: 
<4x8 sparse matrix of type '<type 'numpy.int64'>'
    with 9 stored elements in Compressed Sparse Column format>

它会返回一个稀疏的词项文档矩阵，因为这种矩阵通常很大，而且大部分地方都是空的。

对于你的具体例子，我想把它转换回 DataFrame 还是可以的：

In [17]: pd.DataFrame(countvec.fit_transform(df.title).toarray(), columns=countvec.get_feature_names())
Out[17]: 
   boiled  delicious  egg  else  fried  orange  something  split
0       1          1    1     0      0       0          0      0
1       0          0    1     0      1       0          0      0
2       0          0    0     0      0       1          0      1
3       0          0    0     1      0       0          1      0

[4 rows x 8 columns]