Čištění textu

Feature Engineering for NLP in Python

Rounak Banik

Data Scientist

Techniky čištění textu

Nadbytečné mezery a escape sekvence
Interpunkce
Speciální znaky (čísla, emoji atd.)
Stopslova

isalpha()

"Dog".isalpha()

True

"3dogs".isalpha()

False

"12347".isalpha()

False

"!".isalpha()

False

"❤".isalpha()

False

Upozornění

Zkratky: U.S.A, U.K atd.
Vlastní jména: word2vec a xto10x.
Pro složitější případy napište vlastní funkci (s využitím regexu).

Odstranění nealfabetických znaků

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]

Odstranění nealfabetických znaků

...
...
# 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'

Stopslova

Velmi frekventovaná slova
Např. členy, slovesa být, zájmena atd.

Odstranění stoplov pomocí 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. ❤
"""

Odstranění stoplov pomocí 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'

Další techniky předzpracování textu

Odstranění HTML/XML značek
Nahrazení znaků s diakritikou (např. é)
Oprava pravopisných chyb

Upozornění

Používejte pouze techniky předzpracování textu relevantní pro danou aplikaci.

Lass uns üben!

Feature Engineering for NLP in Python