python - 如何将 Polyglot Detector 功能应用于数据框

Question

假设我有一个名为 df.Text 的列，其中包含文本(超过 1 个句子)并且我想使用多语言 Detector 来检测语言并存储值在新列 df['Text-Lang'] 中，我如何确保我还捕获了其他详细信息，例如 code 和 confidence

testEng ="This is English"
lang = Detector(testEng)
print(lang.language)

返回

name: English code: en confidence: 94.0 read bytes: 1920

但是

df['Text-Lang','Text-LangConfidence']= df.Text.apply(Detector)

结束于

AttributeError: 'float' object has no attribute 'encode' and Detector is not able to detect the language reliably.

我是否错误地应用了 Detector 函数或错误地存储了输出或其他原因？

Answer 1

首先，如果你只需要polyglot来进行语言检测，你最好直接使用pycld2，那是在幕后使用的。它具有很多更简洁的 API。

也就是说，您陈述的错误来自您的 Text 列中的一个值，它是一个实数。因此，您必须将这样的值转换为字符串。

您会遇到的下一个问题是最小文本长度。如果文本太短，polyglot 将抛出异常。您必须通过传递 quiet=True 来消除异常。

现在，应用 Detector 将返回一个对象。所以你必须解析它来提取你想要的信息。要提取语言名称，您必须导入 icu 模块(它是 polyglot 的依赖项，因此您已经安装了它):

import icu
df.Text = df.Text.astype(str)
df['poly_obj'] = df.Text.apply(lambda x: Detector(x, quiet=True))
df['Text-lang'] = df['poly_obj'].apply(lambda x: icu.Locale.getDisplayName(x.language.locale))
df['Text-LangConfidence'] = df['poly_obj'].apply( lambda x: x.language.confidence)

之后，您可以删除 poly_obj 列。