Estoy estudiando python y pandas de manera independiente y haciendo un proyecto de ensayo me encontré con un problema.
Tengo un CSV que contiene el scrap the una cuenta de Instagram. Una de las columnas tiene el contenido en texto (str) de cada post en esa cuenta.
Para poder hacer un analizis posterior, necesito crear una lista unica que contenga todas las palabras que se encuentren en esa columna.
Logre hacerlo pero estoy seguro que use la manera menos optima posible. Aqui mi codigo:
import pandas as pd
date_cols = ['pubDate','timestamp']
df = pd.read_csv('result.csv',
dtype={
'postUrl' : str,
'description' : str,
'commentCount' : int,
'likeCount' : int,
'location' : str,
'locationId' : str,
})
df_desc = df[['description']]
key = df_desc.stack().str.split("[^\w+]").explode().tolist()
df_key = pd.DataFrame({'UniqueKey' : key})
df_key.dropna(inplace = True)
df_key.drop_duplicates(subset="UniqueKey",
keep=False, inplace = True)
Seguramente hay una forma mas optima pero no doy con ella. Como ven estoy creando un df_desc pata contener solo la columna 'description' y poder usar el stack y luego cree otro df_key para poder convertir la lista creada en df_desc en una columna, porque al final necesitaba aislar del df principal esos datos para exportarlos.
Alguien podria guiarme en cual seria la forma eficiente?
Muchas Gracias