Apakah Cara Terpantas untuk Mengalih Keluar Tanda Baca daripada Pandas DataFrame?

Penyingkiran Tanda Baca Pantas dengan Panda

Penyingkiran tanda baca ialah tugas pembersihan teks biasa. Walaupun panda str.replace ialah kaedah yang digunakan secara meluas, ia mungkin tidak cukup berprestasi untuk set data yang besar.

Alternatif untuk str.replace:

• regex.sub: Menggunakan modul semula untuk melaksanakan penggantian berasaskan regex. Pilihan ini menawarkan prestasi yang lebih baik berbanding str.replace.
• str.translate: Menggunakan fungsi str.translate yang dilaksanakan C, menghasilkan kelajuan yang ketara penambahbaikan.

Tanda aras:

• str.translate mempamerkan prestasi terbaik, diikuti oleh regex.sub dan kemudian str.replace.
• Jurang dalam prestasi semakin melebar dengan set data yang semakin meningkat saiz.

Pertimbangan:

• regex.sub dan str.translate tidak boleh mengendalikan nilai NaN dalam DataFrame.
• str .terjemah memerlukan pengendalian khas apabila data mengandungi aksara yang mungkin dikecualikan oleh tanda baca lalai pengecualian.

Kod:

import pandas as pd
import re

# Regex.sub
df['text'] = [re.compile(r'[^\w\s]+').sub('', x) for x in df['text'].tolist()]

# str.translate
punct = '!"#$%&\'()*+,-./:;<=>?@[\]^_`{|}~'
transtab = str.maketrans(dict.fromkeys(punct, ''))
df['text'] = '|'.join(df['text'].tolist()).translate(transtab).split('|')

Atas ialah kandungan terperinci Apakah Cara Terpantas untuk Mengalih Keluar Tanda Baca daripada Pandas DataFrame?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!