python - 结合 NLTK 和 scikit-learn 中的文本词干提取和标点符号删除

标签 python text scikit-learn nltk

我正在使用 NLTK 和 scikit-learnCountVectorizer 的组合来进行词干提取和标记化。

以下是 CountVectorizer 的简单用法示例:

from sklearn.feature_extraction.text import CountVectorizer

vocab = ['The swimmer likes swimming so he swims.']
vec = CountVectorizer().fit(vocab)

sentence1 = vec.transform(['The swimmer likes swimming.'])
sentence2 = vec.transform(['The swimmer swims.'])

print('Vocabulary: %s' %vec.get_feature_names())
print('Sentence 1: %s' %sentence1.toarray())
print('Sentence 2: %s' %sentence2.toarray())

哪个会打印

Vocabulary: ['he', 'likes', 'so', 'swimmer', 'swimming', 'swims', 'the']
Sentence 1: [[0 1 0 1 1 0 1]]
Sentence 2: [[0 0 0 1 0 1 1]]

现在,假设我要删除停用词并阻止这些词。一种选择是这样做:

from nltk import word_tokenize          
from nltk.stem.porter import PorterStemmer

#######
# based on http://www.cs.duke.edu/courses/spring14/compsci290/assignments/lab02.html
stemmer = PorterStemmer()
def stem_tokens(tokens, stemmer):
    stemmed = []
    for item in tokens:
        stemmed.append(stemmer.stem(item))
    return stemmed

def tokenize(text):
    tokens = nltk.word_tokenize(text)
    stems = stem_tokens(tokens, stemmer)
    return stems
######## 

vect = CountVectorizer(tokenizer=tokenize, stop_words='english') 

vect.fit(vocab)

sentence1 = vect.transform(['The swimmer likes swimming.'])
sentence2 = vect.transform(['The swimmer swims.'])

print('Vocabulary: %s' %vect.get_feature_names())
print('Sentence 1: %s' %sentence1.toarray())
print('Sentence 2: %s' %sentence2.toarray())

哪些打印:

Vocabulary: ['.', 'like', 'swim', 'swimmer']
Sentence 1: [[1 1 1 1]]
Sentence 2: [[1 0 1 1]]

但是在第二个版本中,我怎样才能最好地去掉标点符号呢?

最佳答案

有几个选项,尝试在标记化之前删除标点符号。但这意味着 don't -> dont

import string

def tokenize(text):
    text = "".join([ch for ch in text if ch not in string.punctuation])
    tokens = nltk.word_tokenize(text)
    stems = stem_tokens(tokens, stemmer)
    return stems

或者尝试在标记化后删除标点符号。

def tokenize(text):
    tokens = nltk.word_tokenize(text)
    tokens = [i for i in tokens if i not in string.punctuation]
    stems = stem_tokens(tokens, stemmer)
    return stems

已编辑

上面的代码可以运行,但是速度很慢,因为它会多次循环相同的文本:

  • 一次性删除标点符号
  • 第二次标记化
  • 第三次停止。

如果您有更多步骤,例如删除数字或删除停用词或小写等。

最好将这些步骤尽可能集中在一起,如果您的数据需要更多预处理步骤,这里有几个更好的答案,它们会更有效:

关于python - 结合 NLTK 和 scikit-learn 中的文本词干提取和标点符号删除,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26126442/

相关文章:

python - 在 Windows 10 上安装 bpython

python - 使用多处理时克服内存限制

python - MLPClassifier 的每次迭代都可以获得测试分数吗?

python-3.x - 如何绘制与最佳参数对应的随机森林树

python - 使用wxPython.FileDialog保存文件

python - 将 ObjectId 插入 mongodb

postgresql - Postgres中字符串的词频?

html - 在不影响悬停的情况下将文本放在 div 上

javascript - 使用 jQuery 从一个位置复制文本,以替换其他位置的文本

Python 3 - ValueError : Found array with 0 sample(s) (shape=(0, 11)) 而 MinMaxScaler 要求至少为 1