我有一个数据帧,它有27949行和7列,前几行如下所示 https://i.stack.imgur.com/1Pipf.png
任务: 在dataframe中,我有一个'title'列,其中有许多重复的标题,我想删除这些标题(重复标题:几乎所有标题相同,只有一个或两个单词)。 伪代码: 我想检查第一行与所有其他行&如果其中任何一行是重复的,我想删除它。然后我要检查第二行与所有其他行&如果其中任何一行重复,我要将其删除-与所有行类似,即I=1st line to last line j=I+1 to last line。 我的代码:
for i in range(0,27950):
for j in range(1,27950):
a = data_sorted['title'].iloc[i].split()
b = data_sorted['title'].iloc[j].split()
if len(a)-len(b)<=2:
data_sorted.drop(b)
j=j
else:
j+=1
i+=1
错误: 索引器错误:单个位置索引器超出界限
有人能帮我把代码写出来吗。 提前谢谢。你知道吗
我建议采取以下办法:
建立一个标题的差异矩阵,其中i,j元素将表示i'th和j'th标题之间的单词差异。你知道吗
像这样:
相关问题 更多 >
编程相关推荐