Python数据分析学习笔记：字符串统计

一、题目来源

Kaggle Pandas - Exercise: Summary Functions and Maps 章节

二、题目要求

描述一瓶葡萄酒时，可用的词汇有限。哪种词出现频率更高：“tropical” 还是 “fruity”？
统计 description 列中这两个词的出现次数。忽略大小写。

三、我的思路（使用 str.contains统计总次数）

tropical_count = reviews['description'].str.contains('tropical',case=False).sum()
fruity_count = reviews['description'].str.contains('fruity',case=False).sum()
descriptor_counts = pd.Series({"tropical": tropical_count, "fruity": fruity_count})

考虑使用 str.contains() 去判断字符串中是否包含 tropical 与 fruity，case=False 用于忽略大小写。

最后得到的结果是：

tropical    3800
fruity      9455
dtype: int64

答案是错误的。
我尝试另外一种方法：

tropical_count = reviews['description'].str.count('tropical').sum()
fruity_count = reviews['description'].str.count('fruity').sum()

这种方法结果是：

tropical    3703
fruity      9259
dtype: int64

kaggle答案是：

n_trop = reviews.description.map(lambda desc: "tropical" in desc).sum()
n_fruity = reviews.description.map(lambda desc: "fruity" in desc).sum()
descriptor_counts = pd.Series([n_trop, n_fruity], index=['tropical', 'fruity'])

结果是正确的。

tropical    3607
fruity      9090
dtype: int64

以数据 [ “tropical and tropical” , “xxxx” , “Subtropical” ], 匹配tropical 字符串为例子:

（1）str.contains() 方法：

用途：统计每一行中是否“包含”子字符串 tropical；

返回：布尔值（True 或 False）；

每一列独立判断，即使该列包含多次 tropical，也只算一次。

	Series([
    True,   # "tropical and tropical" -> 包含
    False,  # "xxxx" -> 不包含
    True    # "Subtropical" -> 包含 "tropical" 作为子字符串])

经过sum()计算后结果为2；

（2）str.count() 方法：

用途：统计每一行中 tropical 出现的“总次数”；

返回：整数（如 2, 0, 1）；

每一行中出现多少次，就统计多少次；

Series([
    2,  # "tropical and tropical" 中出现了2次
    0,  # "xxxx"
    1   # "Subtropical" 中出现一次（包含 tropical）
])

最终 .sum() 后结果为 3

（3）map(lambda desc: ‘tropical’ in desc) 方法：

用途：统计每一行中 tropical 出现的“总次数”，严格子串匹配

	Series([
    True,   # "tropical and tropical" -> 包含
    False,  # "xxxx" -> 不包含
    False# "Subtropical" -> 严格子串匹配（"Subtropical" 不计）)

因此sum（）后结果为1

---

方法	用途	匹配规则	示例输入	示例输出	sum() 结果
str.contains("tropical")	检查是否包含子串	大小写敏感，每行算一次	["tropical and tropical", "xxxx", "Subtropical"]	[True, False, False]	1
str.contains("tropical", case=False)	检查是否包含子串（不区分大小写）	大小写不敏感，每行算一次	同上	[True, False, True]	2
str.count("tropical")	统计子串出现次数	大小写敏感，统计所有次数	同上	[2, 0, 0]	2
str.count("tropical", case=False)	统计子串出现次数（不区分大小写）	大小写不敏感，统计所有次数	同上	[2, 0, 1]	3
map(lambda x: "tropical" in x)	检查是否包含子串（严格匹配）	大小写敏感，每行算一次	同上	[True, False, False]	1

str.contains()：只判断是否包含，不计数，默认大小写敏感。如果需要不区分大小写的匹配，加 case=False

str.count()：统计子串出现次数，默认大小写敏感。

map(lambda x: “tropical” in x)：等同于 str.contains() 的严格匹配版本（大小写敏感）。