Tokenisering och lemmatisering

Funktionsutveckling för NLP i Python

Rounak Banik

Data Scientist

Textkällor

  • Nyhetsartiklar
  • Tweets
  • Kommentarer
Funktionsutveckling för NLP i Python

Göra text maskinvänlig

  • Dogs, dog
  • reduction, REDUCING, Reduce
  • don't, do not
  • won't, will not
Funktionsutveckling för NLP i Python

Tekniker för textförbehandling

  • Konvertera ord till gemener
  • Ta bort inledande och avslutande blanksteg
  • Ta bort interpunktion
  • Ta bort stoppord
  • Expandera sammandragningar
  • Ta bort specialtecken (siffror, emojis, osv.)
Funktionsutveckling för NLP i Python

Tokenisering

"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", "."]
Funktionsutveckling för NLP i Python

Tokenisering med 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','.']
Funktionsutveckling för NLP i Python

Lemmatisering

  • Konvertera ord till grundform
    • reducing, reduces, reduced, reductionreduce
    • am, are, isbe
    • n'tnot
    • 'vehave
Funktionsutveckling för NLP i Python

Lemmatisering med 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', '.']
Funktionsutveckling för NLP i Python

Nu kör vi en övning!

Funktionsutveckling för NLP i Python

Preparing Video For Download...