nlp中文數據預處理方法是什么

這篇文章主要介紹“nlp中文數據預處理方法是什么”，在日常操作中，相信很多人在nlp中文數據預處理方法是什么問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”nlp中文數據預處理方法是什么”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

　　數據加載(默認csv格式)

　　import pandas as pd

　　datas = pd.read_csv("./test.csv", header=0, index_col=0) # DataFrame

　　n_datas = data.to_numpy() # ndarray 轉成numpy更好處理(個人喜好)

　　去除空行

　　def delete_blank_lines(sentences):

　　return [s for s in sentences if s.split()]

　　no_line_datas = delete_blank_lines(n_datas)

　　去除數字

　　DIGIT_RE = re.compile(r'\d+')

　　no_digit_datas = DIGIT_RE.sub('', no_line_datas)

　　def delete_digit(sentences):

　　return [DIGIT_RE.sub('', s) for s in sentences]

　　判斷句子形式(簡單句或者復雜句)

　　STOPS = ['。', '.', '?', '?', '!', '!'] # 中英文句末字符

　　def is_sample_sentence(sentence):

　　count = 0

　　for word in sentence:

　　if word in STOPS:

　　count += 1

　　if count > 1:

　　return False

　　return True

　　去除中英文標點

　　from string import punctuation

　　import re

　　punc = punctuation + u'

　　def delete_punc(sentences):

　　return [re.sub(r"[{}]+".format(punc), '', s) for s in a]

　　去除英文(僅留漢字)

　　ENGLISH_RE = re.compile(r'[a-zA-Z]+')

　　def delete_e_word(sentences):

　　return [ENGLISH_RE.sub('', s) for s in sentences]

　　去除亂碼和特殊符號

　　使用正則表達式去除相關無用符號和亂碼

　　# 該操作可以去掉所有的符號，標點和英文，由于前期可能需要標點進一步判斷句子是否為簡單句，所以該操作可以放到最后使用。鄭州做婦科檢查價格 http://www.zzkdfk.com/

　　SPECIAL_SYMBOL_RE = re.compile(r'[^\w\s\u4e00-\u9fa5]+')

　　def delete_special_symbol(sentences):

　　return [SPECIAL_SYMBOL_RE.sub('', s) for s in sentences]

　　中文分詞

　　# 使用jieba

　　def seg_sentences(sentences):

　　cut_words = map(lambda s: list(jieba.cut(s)), sentences)

　　return list(cut_words)

　　# 使用pyltp分詞

　　def seg_sentences(sentences):

　　segmentor = Segmentor()

　　segmentor.load('./cws.model') # 加載分詞模型參數

　　seg_sents = [list(segmentor.segment(sent)) for sent in sentences]

　　segmentor.release()

　　return seg_sents

　　去除停用詞

　　# 停用詞列表需要自行下載

　　stopwords = []

　　def delete_stop_word(sentences):

　　return [[word for word in s if word not in stopwords] for s in sentences]

到此，關于“nlp中文數據預處理方法是什么”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！