Количество вхождений определенных слов в фреймворк pandas

Я хочу подсчитать количество вхождений определенных слов в фрейм данных. Я знаю, используя "str.contains"

a = df2[df2['col1'].str.contains("sample")].groupby('col2').size()
n = a.apply(lambda x: 1).sum()

В настоящее время я использую вышеуказанный код. Есть ли способ сопоставления регулярного выражения и получения количества вхождений? В моем случае у меня большой кадр данных, и я хочу сопоставить около 100 строк.

Ответ 1

Обновление: Исходный ответ считает те строки, которые содержат подстроку.

Для подсчета всех вхождений подстроки вы можете использовать .str.count:

In [21]: df = pd.DataFrame(['hello', 'world', 'hehe'], columns=['words'])

In [22]: df.words.str.count("he|wo")
Out[22]:
0    1
1    1
2    2
Name: words, dtype: int64

In [23]: df.words.str.count("he|wo").sum()
Out[23]: 4

Метод str.contains принимает регулярное выражение:

Definition: df.words.str.contains(self, pat, case=True, flags=0, na=nan)
Docstring:
Check whether given pattern is contained in each string in the array

Parameters
----------
pat : string
    Character sequence or regular expression
case : boolean, default True
    If True, case sensitive
flags : int, default 0 (no flags)
    re module flags, e.g. re.IGNORECASE
na : default NaN, fill value for missing values.

Например:

In [11]: df = pd.DataFrame(['hello', 'world'], columns=['words'])

In [12]: df
Out[12]:
   words
0  hello
1  world

In [13]: df.words.str.contains(r'[hw]')
Out[13]:
0    True
1    True
Name: words, dtype: bool

In [14]: df.words.str.contains(r'he|wo')
Out[14]:
0    True
1    True
Name: words, dtype: bool

Для подсчета случаев вы можете просто суммировать эту логическую серию:

In [15]: df.words.str.contains(r'he|wo').sum()
Out[15]: 2

In [16]: df.words.str.contains(r'he').sum()
Out[16]: 1

Ответ 2

Чтобы подсчитать общее количество совпадений, используйте s.str.match(...).str.get(0).count().

Если ваше регулярное выражение будет соответствовать нескольким уникальным словам, которые будут подсчитываться индивидуально, используйте s.str.match(...).str.get(0).groupby(lambda x: x).count()

Он работает следующим образом:

In [12]: s
Out[12]: 
0    ax
1    ay
2    bx
3    by
4    bz
dtype: object

Строковый метод match обрабатывает регулярные выражения...

In [13]: s.str.match('(b[x-y]+)')
Out[13]: 
0       []
1       []
2    (bx,)
3    (by,)
4       []
dtype: object

... но результаты, как указано, не очень удобны. Строковый метод get принимает совпадения как строки и преобразует пустые результаты в NaNs...

In [14]: s.str.match('(b[x-y]+)').str.get(0)
Out[14]: 
0    NaN
1    NaN
2     bx
3     by
4    NaN
dtype: object

... которые не учитываются.

In [15]: s.str.match('(b[x-y]+)').str.get(0).count()
Out[15]: 2