Tokenisierung und Lemmatisierung

Feature Engineering für NLP in Python

Rounak Banik

Data Scientist

Textquellen

  • Nachrichtenartikel
  • Tweets
  • Kommentare
Feature Engineering für NLP in Python

Text maschinenfreundlich machen

  • Dogs, dog
  • reduction, REDUCING, Reduce
  • don't, do not
  • won't, will not
Feature Engineering für NLP in Python

Techniken der Textvorverarbeitung

  • Wörter in Kleinbuchstaben umwandeln
  • Leerzeichen am Anfang/Ende entfernen
  • Satzzeichen entfernen
  • Stoppwörter entfernen
  • Kontraktionen ausschreiben
  • Sonderzeichen entfernen (Zahlen, Emojis etc.)
Feature Engineering für NLP in Python

Tokenisierung

"I have a dog. His name is Hachi."

Tokens:

["I", "have", "a", "dog", ".", "His", "name", "is", "Hachi", "."]
"Don't do this."

Tokens:

["Do", "n't", "do", "this", "."]
Feature Engineering für NLP in Python

Tokenisierung mit spaCy

import spacy

# Load the en_core_web_sm model nlp = spacy.load('en_core_web_sm')
# Initiliaze string string = "Hello! I don't know what I'm doing here."
# Create a Doc object doc = nlp(string)
# Generate list of tokens tokens = [token.text for token in doc] print(tokens)
['Hello','!','I','do',"n't",'know','what','I',"'m",'doing','here','.']
Feature Engineering für NLP in Python

Lemmatisierung

  • Wort auf Grundform abbilden
    • reducing, reduces, reduced, reductionreduce
    • am, are, isbe
    • n'tnot
    • 'vehave
Feature Engineering für NLP in Python

Lemmatisierung mit spaCy

import spacy

# Load the en_core_web_sm model
nlp = spacy.load('en_core_web_sm')
# Initiliaze string
string = "Hello! I don't know what I'm doing here."
# Create a Doc object
doc = nlp(string)

# Generate list of lemmas lemmas = [token.lemma_ for token in doc] print(lemmas)
['hello','!','-PRON-','do','not','know','what','-PRON','be','do','here', '.']
Feature Engineering für NLP in Python

Lass uns üben!

Feature Engineering für NLP in Python

Preparing Video For Download...