2

Possuo um dataframe com alguns tweets que foram coletados de acordo com a palavra chave.

Como faço por exemplo pra extrair de uma vez apenas as linhas com #flamengo e todas suas variações, como #Flamengo, #FLAMENGO, etc?

Usei:

data['text'].str.extract('(#flamengo)')

Mas retorna apenas os tweets escritos em minúsculo.

1 Resposta 1

1

Segundo a documentação, é possível passar um segundo parâmetro para extract, contendo flags que alteram o comportamento da expressão regular.

Neste caso, basta usar a flag re.I, que torna regex case insensitive (não diferencia maiúsculas de minúsculas):

import re

data['text'].str.extract('(#flamengo)', re.I)

Também é possível usar o modificador inline (?i) na própria expressão, que tem o mesmo efeito da flag:

data['text'].str.extract('((?i)#flamengo)')

# ou
data['text'].str.extract('((?i:#flamengo))')

A outra resposta sugeriu usar [f|F] para pegar tanto um "f" minúsculo quanto maiúsculo. Só que essa expressão também pega o caractere |, veja. Se for seguir aquela ideia, então o certo seria [fF][lL].... Mas usar as flags é mais simples.

2
  • 1
    a outra resposta está errada. é uma resposta típica de quem conhece um martelo, e trata tudo como prego - (e nem o martelo conhece bem, já que dá pra colocar a flag de case-insensitive, como você fez)
    – jsbueno
    Commented 7/05/2020 às 18:22
  • 1
    se não fosse possível resolver o problema com parâmetros apenas na expressão regular - vamos supor que você resolva que tem que remover os acentos também, e achar tanto "árvore" quanto "arvore" - o correto é criar uma outra coluna no dataframe, usando o méotodo "apply" que tenha o texto normalizado - (isso é: acentos removidos, convertido pra minúsculas, espaços e caracteres que não sejam interessantes convertidos para "_") - e buscar na outra coluna.
    – jsbueno
    Commented 7/05/2020 às 18:24

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .