dataframe某列是英文text，怎么提取关键词和其它的一列权重，保留权重高的几个词语，举例

可以使用Python中的`nltk`和`sklearn`库来进行关键词提取和权重计算。

首先，需要使用`nltk`库对文本进行分词和去除停用词等预处理操作。然后，可以使用`sklearn`库中的`TfidfVectorizer`来计算每个词语的TF-IDF值，从而得到每个词语的权重。

下面是一个示例代码，假设我们有一个DataFrame，其中包含两列，一列是英文文本，另一列是该文本所属的类别，我们需要提取每个类别中权重最高的前3个关键词：

import pandas as pd
import nltk
from sklearn.feature_extraction.text import TfidfVectorizer

# 加载停用词
nltk.download('stopwords')
stopwords = nltk.corpus.stopwords.words('english')

# 加载数据
df = pd.read_csv('data.csv')

# 分组计算TF-IDF
vectorizer = TfidfVectorizer(stop_words=stopwords)
groups = df.groupby('category')
for name, group in groups:
    X = vectorizer.fit_transform(group['text'])
    feature_names = vectorizer.get_feature_names()
    for i, row in enumerate(X):
        print(f"{name} - {i}")
        tfidf_scores = dict(zip(feature_names, row.toarray()[0]))
        tfidf_scores_sorted = sorted(tfidf_scores.items(), key=lambda x: x[1], reverse=True)
        for word, score in tfidf_scores_sorted[:3]:
            print(f"\t{word}: {score}")

上述代码中，我们首先加载了停用词，然后使用`TfidfVectorizer`对每个类别的文本进行TF-IDF计算，并将结果按照权重从高到低排序。最后，我们选择每个类别中权重最高的前3个关键词进行输出。