Python Pandas Pandas Dataframe 中的 NLTK Tokenize 列：预期的字符串或类似字节的对象

Question

我有以下带有 'problem_definition' 列的示例数据框：

ID  problem_definition  
1   cat, dog fish
2   turtle; cat; fish fish
3   hello book fish 
4   dog hello fish cat

我想对 'problem_definition' 列进行分词。

下面是我的代码：

from nltk.tokenize import sent_tokenize, word_tokenize 
import pandas as pd 

df = pd.read_csv('log_page_nlp_subset.csv')

df['problem_definition_tokenized'] = df['problem_definition'].apply(word_tokenize)

上面的代码给我以下错误：

类型错误：预期的字符串或类字节对象

Answer 1

在apply中使用lambda:

df = pd.DataFrame({'TEXT':['cat, dog fish', 'turtle; cat; fish fish', 'hello book fish', 'dog hello fish cat']})
df

    TEXT
0   cat, dog fish
1   turtle; cat; fish fish
2   hello book fish
3   dog hello fish cat

df.TEXT.apply(lambda x: word_tokenize(x))

0                [cat, ,, dog, fish]
1    [turtle, ;, cat, ;, fish, fish]
2                [hello, book, fish]
3            [dog, hello, fish, cat]
Name: TEXT, dtype: object

如果您还需要避开标点符号，请使用：

df.TEXT.apply(lambda x: RegexpTokenizer(r'\w+').tokenize(x))
0             [cat, dog, fish]
1    [turtle, cat, fish, fish]
2          [hello, book, fish]
3      [dog, hello, fish, cat]
Name: TEXT, dtype: object

Answer 2

您实际 df['TEXT'] 中可能存在一个非字符串类对象（例如 NaN），您发布的数据中未显示该对象。

您可以通过以下方式找到有问题的值：

mask = [isinstance(item, (str, bytes)) for item in df['TEXT']]
print(df.loc[~mask])

如果你想删除这些行，你可以使用

df = df.loc[mask]

或者，，可以使用

将整个列强制为 str dtype

df['TEXT'] = df['TEXT'].astype(str)

例如，如果 df['TEXT'] 中有一个 NaN 值，

import pandas as pd
from nltk.tokenize import sent_tokenize, word_tokenize 

df = pd.DataFrame({'ID': [1, 2, 3, 4],
                   'TEXT': ['cat, dog fish',
                            'turtle; cat; fish fish',
                            'hello book fish',
                            np.nan]})
#    ID                    TEXT
# 0   1           cat, dog fish
# 1   2  turtle; cat; fish fish
# 2   3         hello book fish
# 3   4                     NaN

# df['TEXT'].apply(word_tokenize)
# TypeError: expected string or buffer


mask = [isinstance(item, (str, bytes)) for item in df['TEXT']]
df = df.loc[mask]
#    ID                    TEXT
# 0   1           cat, dog fish
# 1   2  turtle; cat; fish fish
# 2   3         hello book fish

现在应用 word_tokenize 有效：

In [108]: df['TEXT'].apply(word_tokenize)
Out[108]: 
0                [cat, ,, dog, fish]
1    [turtle, ;, cat, ;, fish, fish]
2                [hello, book, fish]
Name: TEXT, dtype: object

Python Pandas Pandas Dataframe 中的 NLTK Tokenize 列：预期的字符串或类似字节的对象

Python Pandas NLTK Tokenize Column in Pandas Dataframe: expected string or bytes-like object

python

word

tokenize

nltk

pandas