Очистка текста

Конструирование признаков для NLP на Python

Rounak Banik

Data Scientist

Методы очистки текста

Лишние пробелы и управляющие символы
Знаки пунктуации
Специальные символы (числа, эмодзи и др.)
Стоп-слова

isalpha()

"Dog".isalpha()

True

"3dogs".isalpha()

False

"12347".isalpha()

False

"!".isalpha()

False

"❤".isalpha()

False

Важное предупреждение

Аббревиатуры: U.S.A, U.K и др.
Имена собственные: word2vec и xto10x.
Для более сложных случаев напишите собственную функцию (с использованием regex).

Удаление неалфавитных символов

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]

Удаление неалфавитных символов

...
...
# 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'

Стоп-слова

Слова, встречающиеся очень часто
Например: артикли, глаголы-связки, местоимения и др.

Удаление стоп-слов с помощью 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. ❤
"""

Удаление стоп-слов с помощью 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'

Другие методы предобработки текста

Удаление тегов HTML/XML
Замена символов с диакритиками (например, é)
Исправление орфографических ошибок

Важное предупреждение

Применяйте только те методы предобработки текста, которые актуальны для вашей задачи.

Давайте потренируемся!

Конструирование признаков для NLP на Python