[[390009]]

 在進(jìn)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(shí)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(yù)處理的方法。

將文本中出現(xiàn)的字母轉(zhuǎn)化為小寫

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：

刪除或者提取文本中出現(xiàn)的數(shù)字

如果文本中的數(shù)字與文本分析無關(guān)的話，那就刪除這些數(shù)字。

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(shí)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(biāo)點(diǎn)符號(hào)

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(hào)都被濾除了，用正則表達(dá)式過濾文本中的標(biāo)點(diǎn)符號(hào)，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(dá)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(gè)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(cè)試的文本數(shù)據(jù)  用戶評(píng)論 
with open('comments.txt') as f: 
    data = f.read() 
 
# 文本預(yù)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(jìn)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(gè)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(cè)試的文本數(shù)據(jù)，該數(shù)據(jù)是爬取的商品評(píng)論，這一類數(shù)據(jù)通常有很多無意義的字詞和符號(hào)，通過正則表達(dá)式濾除掉無用的符號(hào)，只提取出中文出來。使用 jieba 庫進(jìn)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(gè)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(shí)際文本處理需要，添加字詞語料進(jìn)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(gè) 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(duì)英文的，于是寫了一個(gè)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(shí)現(xiàn)的，并且自帶了一些訓(xùn)練好的字典。注意本程序都是處理的 unicode 編碼，所以使用時(shí)請(qǐng)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(biāo)注和關(guān)鍵詞提取為例：

from snownlp import SnowNLP 
 
word = u'今天天氣好 這個(gè)姑娘真好看' 
s = SnowNLP(word) 
print(s.words)        # 分詞 
print(list(s.tags))   # 詞性標(biāo)注 

from snownlp import SnowNLP 
 
text = u''' 
自然語言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。 
它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語言進(jìn)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(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)。 
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(xué)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(shí)現(xiàn)自然語言通信的計(jì)算機(jī)系統(tǒng)， 
特別是其中的軟件系統(tǒng)。因而它是計(jì)算機(jī)科學(xué)的一部分。 
''' 
 
s = SnowNLP(text) 
print(s.keywords(limit=6))        # 關(guān)鍵詞提取 

本文轉(zhuǎn)載自微信公眾號(hào)「修煉Python」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請(qǐng)聯(lián)系修煉Python公眾號(hào)。