Pandas序列识别连续辅音的个数

Question

给定一个字符串的Series，我试图计算一个新的Series，它包含原始字符串中最高的连续辅音计数，忽略空格。

例如，给定df['names']，我想确定df['max_consonants']，如下所示：

In [1]: df
Out[1]:
               names max_consonants
0       will hunting              2
1       sean maguire              1
2     gerald lambeau              2
3   chuckie sullivan              2
4    mike krzyzewski              5

在pandas之外，我可以使用re模块完成此操作，如下所示：

In [2]: def max_consonants(s):
             return max(len(i) for i in re.findall(r'[^aeiou ]+', s))

In [3]: max_consonants('mike krzyzewski')
Out[3]: 5

我知道可以使用pd.Series.apply在Series上使用max_consonants函数，但它不是矢量化的。我正在处理包含2-3 am行/名称的数据，因此我正在寻找最有效的解决方案。

对于pandas，有没有一种更优雅的解决方案可以让我利用矢量化？

Answer 1

你可以试试这个，由于\W的缘故，它应该也适用于特殊字符。但请注意，\W也捕获数字，因此如果您还想拆分这些数字，则需要将0-9添加到split使用的正则表达式中：

df['names'].str.split(r'[AaEeIiOoUu\W]', expand=True).fillna('').applymap(len).max(axis='columns')

使用测试数据：

raw="""idx             names  max_consonants
0       will hunting              2
1       sean maguire              1
2     gerald lambeau              2
3   chuckie sullivan              2
4    mike krzyzewski              5
5    mike krzyzewski12345678      5
"""
df= pd.read_csv(io.StringIO(raw), sep='\s{2,}', index_col=[0])

其计算结果为：

idx
0    2
1    1
2    2
3    2
4    5
5    8
dtype: int64

applymap之前的中间结果看起来像这样：

Out[89]: 
      0   1   2      3    4         5  6  7
idx                                        
0     w  ll   h     nt   ng                
1     s       n      m    g            r   
2     g   r  ld      l   mb                
3    ch  ck               s        ll  v  n
4     m   k      krzyz  wsk                
5     m   k      krzyz  wsk  12345678      

关于性能的注意事项:我希望.mapapply(len)能够转换为高效的C++操作，但无法使用我的数据进行验证。如果您在此解决方案中遇到性能问题，您可以尝试一种变体，在该变体中，您可以执行直到applymap的所有操作，将applymap替换为列上的循环，然后执行.str.len()。大致如下所示：

df_consonant_strings= df['names'].str.split(r'[AaEeIiOoUu\W]', expand=True).fillna('')
ser_max= None
for col in df_consonant_strings.columns:
    ser_col= df_consonant_strings[col].str.len()
    if ser_max is None:
        ser_max= ser_col
    else:
        ser_max= ser_max.where(ser_max>ser_col, ser_col)
# now ser_max contains the desired maximum length of consonant substrings