質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

89.13%

データフレーム(df)の中のseriesのテキストデータについて、設定したワードリスト(list)のテキストデータに基づいて部分一致で新しいデータセットをエクセルで抽出したい。

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 419

mi2

score 30

前提・実現したいこと

データフレーム(df)の中のseriesのテキストデータについて、設定したワードリスト(list)のテキストデータに基づいて部分一致で新しいデータセットをエクセルで抽出したい。

エクセルシートから読み込んだテキストデータについて、ワードリストが含まれていたら抽出せず(行ごと削除するイメージ)、ワードリスト以外の一覧を最終的にはエクセルで吐き出したいと思っております。

テキストデータは20万行近くあり、ワードリストは数百行、どちらも半角、全角、記号等が入り混じっている状況です。

調べながら色々と試してみたのですが、想定する挙動にならず、よく分からなくなってきてしまったため質問させて頂きます。

発生している問題・エラーメッセージ・該当のソースコード

1 こちらは想定する件数がうまく取れません。(取得件数が少ない)
df = df[~reduce(lambda a, b: a&b, (df['word'].str.contains(s) for s in wordlist))]

2 こちらは2行目が動きません。
mask = df['Message'].str.contains(r'\b(?:{})\b'.format('|'.join(wordlist)))
data = df[~mask]

TypeError: bad operand type for unary ~: 'float'

dfとワードリストの設定

dfでデータセットを読み込んでdf['word']のシリーズが対象、ワードリストについてはlistにしています。
///df
df = pd.read_excel('word.xlsx', header=0, encoding='utf-8_sig')
///
wordlist = pd.read_excel('wordlist.xlsx', header=0, encoding='utf-8_sig')
wordlist = np.ravel(wordlist).tolist()

環境

python3.6.5
(anacondaにて構築)

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

0

単に

df[~df['word'].str.contains('|'.join(wordlist))]


で駄目ですか?

wordlistの文字に正規表現で使用される特殊文字('$'や'^')が含まれるる場合は動作しません。

【追記】
上記の問題(メタ文字を含んだ場合の対応)を考えると、wordlist は予め エスケープしておいたほうが安全かもしれません

import re

escaped_wordlist = [re.escape(w) for w in wordlist]
df[~df['word'].str.contains('|'.join(escaped_wordlist))]

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/03/25 11:26

    ご回答頂きましてありがとうございます。
    思考がやや脱線していたみたいでした。
    上記のご回答にcontainsの引数に空欄に対する欠損処理のオプションをつけることで対応できました。
    ありがとうございました。

    キャンセル

  • 2019/03/25 11:30

    解決してなによりです。
    リストにメタ文字を含んでいる場合を想定して、一応補足を追記しておきました。

    キャンセル

  • 2019/03/25 12:25

    ご親切にありがとうございます。追記の内容につきましても確認してみます。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 89.13%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる
  • トップ
  • Pythonに関する質問
  • データフレーム(df)の中のseriesのテキストデータについて、設定したワードリスト(list)のテキストデータに基づいて部分一致で新しいデータセットをエクセルで抽出したい。