Python 文本數(shù)據(jù)預處理實踐
在進行數(shù)據(jù)分析與可視化之前，得先處理好數(shù)據(jù)，而很多時候需要處理的都是文本數(shù)據(jù)，本文總結(jié)了一些文本預處理的方法。
input_str = """
There are some people who think love is sex
And marriage
And six o'clock-kisses
And children,
And perhaps it is,
Miss Lester.
But do you know what I think?
I think love is a touch and yet not a touch
"""
input_str = input_str.lower()
print(input_str)
結(jié)果如下：
import re
input_str = 'Hello Python123 666 Hi jupyter notebook 1111'
result = re.sub(r'\d+', '', input_str)
print(result)
結(jié)果如下：
而在有些情況下，比如獲取的數(shù)據(jù)中，招聘崗位信息里薪資是 15K 這樣的，商品購買信息里商品購買人數(shù)是 8500+ 人購買了此商品，這時我們需要從中提取出數(shù)字。
input_str = '薪資：15K 8500+人付款 3.0萬+人付款'
result = re.findall("-?\d+\.?\d*e?-?\d*?", input_str)
print(result)
結(jié)果如下：
濾除文本中標點符號
import re
input_str = """This &is [an] example? \葉庭云<< 1""!。。;11???【】>>1 *yetingyun/p:?| {of} string. with.? punctuation!!!!"""
s = re.sub(r'[^\w\s]', '', input_str)
print(s)
結(jié)果如下：
可以看到文本中亂七八糟的符號都被濾除了，用正則表達式過濾文本中的標點符號，如果空白符也需要過濾，可以使用 r'[^\w]'。原理很簡單：在正則表達式中，\w 匹配字母或數(shù)字或下劃線或漢字（具體與字符集有關(guān)），^\w表示相反匹配。
刪除兩端無用的空格
input_str = " \t yetingyun \t "
input_str = input_str.strip()
input_str
結(jié)果如下：
中文分詞，濾除停用詞和單個詞
# 從Github下載停用詞數(shù)據(jù) https://github.com/zhousishuo/stopwords
import jieba
import re
# 讀取用于測試的文本數(shù)據(jù) 用戶評論
with open('comments.txt') as f:
data = f.read()
# 文本預處理 去除一些無用的字符 只提取出中文出來
new_data = re.findall('[\u4e00-\u9fa5]+', data, re.S)
new_data = "/".join(new_data)
# 文本分詞 精確模式
seg_list_exact = jieba.cut(new_data, cut_all=False)
# 加載停用詞數(shù)據(jù)
with open('stop_words.txt', encoding='utf-8') as f:
# 獲取每一行的停用詞 添加進集合
con = f.read().split('\n')
stop_words = set()
for i in con:
stop_words.add(i)
# 列表解析式 去除停用詞和單個詞
result_list = [word for word in seg_list_exact if word not in stop_words and len(word) > 1]
result_list
結(jié)果如下：
首先讀取用于測試的文本數(shù)據(jù)，該數(shù)據(jù)是爬取的商品評論，這一類數(shù)據(jù)通常有很多無意義的字詞和符號，通過正則表達式濾除掉無用的符號，只提取出中文出來。使用 jieba 庫進行文本分詞，加載停用詞數(shù)據(jù)到集合，然后一行列表解析式濾除停用詞和單個詞，這樣效率很高。停用詞數(shù)據(jù)可以下載一些公開的，再根據(jù)實際文本處理需要，添加字詞語料進去，使濾除效果更好。
Github下載停用詞數(shù)據(jù)：https://github.com/zhousishuo/stopwords
SnowNLP是一個 Python 寫的類庫，可以方便的處理中文文本內(nèi)容，是受到了 TextBlob 的啟發(fā)而寫的，由于現(xiàn)在大部分的自然語言處理庫基本都是針對英文的，于是寫了一個方便處理中文的類庫，并且和 TextBlob 不同的是，這里沒有用NLTK，所有的算法都是自己實現(xiàn)的，并且自帶了一些訓練好的字典。注意本程序都是處理的 unicode 編碼，所以使用時請自行 decode 成 unicode 編碼。
使用 SnowNLP 處理中文文本數(shù)據(jù)非常方便，以詞性標注和關(guān)鍵詞提取為例：
from snownlp import SnowNLP
word = u'今天天氣好 這個姑娘真好看'
s = SnowNLP(word)
print(s.words) # 分詞
print(list(s.tags)) # 詞性標注
from snownlp import SnowNLP
text = u'''
自然語言處理是計算機科學領(lǐng)域與人工智能領(lǐng)域中的一個重要方向。
它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。
自然語言處理是一門融語言學、計算機科學、數(shù)學于一體的科學。
因此，這一領(lǐng)域的研究將涉及自然語言，即人們?nèi)粘Ｊ褂玫恼Z言，
所以它與語言學的研究有著密切的聯(lián)系，但又有重要的區(qū)別。
自然語言處理并不是一般地研究自然語言，
而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng)，
特別是其中的軟件系統(tǒng)。因而它是計算機科學的一部分。
'''
s = SnowNLP(text)
print(s.keywords(limit=6)) # 關(guān)鍵詞提取
推薦閱讀：
https://github.com/isnowfy/snownlp
https://docs.python.org/3/library/re.html
更多閱讀
特別推薦
點擊下方閱讀原文加入社區(qū)會員