如何在Python中的对象实例化期间访问数据框列作为文本

Question

我正在尝试创建一个类来预处理文本数据集。创建我的课程的实例后，我想调用类中的一些方法在数据框中的列上应用，但行不通。这是我尝试的，

class Preprocessor:
def __init__(self, dataset):
  self.dataset = dataset

def strip_html(self,text):
  soup = BeautifulSoup(text, "html.parser")
  return soup.get_text()

def remove_between_square_brackets(self,text):
  return re.sub('\[[^]]*\]', '', text)

def denoise_text(self,text):
  text = self.strip_html(text)
  text = self.remove_between_square_brackets(text)
  return text

我尝试在这里调用这些方法

trial = Preprocessor(dataset['review'])
trial.strip_html(dataset['review'])

，我会收到此错误消息

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-45-26f1c4298563> in <module>()
----> 1 trial.strip_html(dataset['review'])

6 frames
/usr/local/lib/python3.7/dist-packages/pandas/core/generic.py in __nonzero__(self)
   1536     def __nonzero__(self):
   1537         raise ValueError(
-> 1538             f"The truth value of a {type(self).__name__} is ambiguous. "
   1539             "Use a.empty, a.bool(), a.item(), a.any() or a.all()."
   1540         )

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

Answer 1

beautifulsoup's get_text（）方法期望将字符串作为输入。因此，它不能直接与 pandas系列。

实现这一目标的一种方法是迭代系列中的每个元素，将方法应用到它：

import pandas as pd
from bs4 import BeautifulSoup


class Preprocessor:
    def __init__(self, dataset):
        self.dataset = dataset

    @staticmethod
    def soup_and_strip(text):
        soup = BeautifulSoup(text, "html.parser")
        return soup.get_text()

    def strip_html(self):
        return self.dataset.apply(self.soup_and_strip)


if __name__ == '__main__':
    df = pd.DataFrame(
        {'review': ['<b>good</b>', '<i>excellent</i>', '<h1>splendid</h1>']})
    trial = Preprocessor(df['review'])
    print(trial.strip_html())

注释：
您对预科人员的总体想法很好，但是它的实现有些怪异。您可以使用所需的数据来启动预科人员，但是您没有直接使用此数据，而是将数据作为参数再次提供。您可能想查找一些 tutorials> tutorials 关于课堂用法。

我给您的另一个建议是适当地命名您的论点。称论点为“文本”，但是提供熊猫系列的剧集令人困惑（在这种情况下 - 您提出的问题的来源）