【Python】使用 pandas 的 `groupby` + `collections.Count` 统计（TopK）词频

た入场券 2022-10-08 11:15 86阅读 0赞

> 前几天 review 一份 *统计词频* 的代码，提了一些优化建议，觉得对写 Python 经验还比较少的同学应该有帮助，所以这边记录一下。

### Overview ###

*   *  提交的代码
     *  最终结果
     *  Reference

--------------------

## 提交的代码 ##

def word_frequency(data, top):
      """
          生成top20词频词语
      """
      if data is None or data.empty:
        return None
      # ...some code...
    
      # 统计词频
      df_res = pd.DataFrame()
      for s in data['数据来源'].unique():
        temp = data[data['数据来源'] == s]
        res_temp = pd.DataFrame()
        for t in temp['发生时间'].unique():
          temp1 = temp[temp['发生时间'] == t]
          wordlist = []
          for i in temp1['分词']:
            wordlist.extend(i)
    
          wordatare = {
        }
          for i in wordlist:
            if i not in stopword_list:
              wordatare.setdefault(i, 0)
              wordatare[i] += 1
    
          res = pd.DataFrame(pd.Series(wordatare), columns=["词频"]).reset_index()
          res.rename(columns={
        'index': '词语'}, inplace=True)
          res['发生时间'] = t
          res['数据来源'] = s
    
          res = res.sort_values(by=['词频'], ascending=False)[:top]
          res_temp = res_temp.append(res)
        df_res = df_res.append(res_temp)
    
      df_res = df_res.reset_index(drop=True)
      return df_res

一些可能关心的其它代码：

stopword_list = ['-',
                     '+',
                     ...,
                     '......',
                     ...,
                     '完成',
                     '使用',
                     ...]

> `stopword_list` 被我建议改成了 `set`。

--------------------

## 最终结果 ##

def word_frequency(data, top):
      """生成top词频词语"""
      if data is None or data.empty:
        return None
      # ...some code...
    
      # 统计词频
      word_cnt_df = pd.DataFrame()
      for _, df_block in data.groupby(['数据来源', '发生时间']):
        words = [word for word_list in df_block['分词'] for word in word_list]
        wordatare = Counter(filter(lambda word: word not in stopword_list, words))
        topk_df = pd.DataFrame(wordatare.most_common(top), columns=['词语', '词频'])
        topk_df['发生时间'] = df_block.iloc[0]['发生时间']
        topk_df['数据来源'] = df_block.iloc[0]['数据来源']
    
        word_cnt_df = word_cnt_df.append(topk_df)
    
      word_cnt_df.reset_index(drop=True, inplace=True)
      return word_cnt_df

--------------------

## Reference ##