Pulizia del testo

Feature Engineering per NLP in Python

Rounak Banik

Data Scientist

Tecniche di pulizia del testo

Spazi superflui e sequenze di escape
Punteggiatura
Caratteri speciali (numeri, emoji, ecc.)
Stopword

isalpha()

"Dog".isalpha()

True

"3dogs".isalpha()

False

"12347".isalpha()

False

"!".isalpha()

False

"❤".isalpha()

False

Una nota di cautela

Abbreviazioni: U.S.A, U.K, ecc.
Nomi propri: word2vec e xto10x.
Per i casi più sfumati, scrivi una funzione personalizzata (con regex).

Rimozione dei caratteri non alfabetici

string = """
OMG!!!! This is like    the best thing ever \t\n. 
Wow, such an amazing song! I'm hooked. Top 5 definitely. ❤
"""

import spacy

# Generate list of tokens
nlp = spacy.load('en_core_web_sm')
doc = nlp(string)
lemmas = [token.lemma_ for token in doc]

Rimozione dei caratteri non alfabetici

...
...
# Remove tokens that are not alphabetic
a_lemmas = [lemma for lemma in lemmas 
            if lemma.isalpha() or lemma == '-PRON-']


# Print string after text cleaning
print(' '.join(a_lemmas))

'omg this be like the good thing ever wow such an amazing song -PRON- be hooked top definitely'

Stopword

Parole molto frequenti
Es. articoli, verbi ausiliari, pronomi, ecc.

Rimozione delle stopword con spaCy

# Get list of stopwords
stopwords = spacy.lang.en.stop_words.STOP_WORDS

string = """
OMG!!!! This is like    the best thing ever \t\n. 
Wow, such an amazing song! I'm hooked. Top 5 definitely. ❤
"""

Rimozione delle stopword con spaCy

...
...
# Remove stopwords and non-alphabetic tokens
a_lemmas = [lemma for lemma in lemmas 
            if lemma.isalpha() and lemma not in stopwords]
# Print string after text cleaning
print(' '.join(a_lemmas))

'omg like good thing wow amazing song hooked definitely'

Altre tecniche di pre-processing del testo

Rimozione di tag HTML/XML
Sostituzione dei caratteri accentati (come é)
Correzione degli errori di ortografia

Una nota di cautela

Usa solo le tecniche di pre-processing del testo rilevanti per la tua applicazione.

Esercitiamoci!

Feature Engineering per NLP in Python