Question

目前，我使用以下代码使用spaCy对某些文本数据的TF-IDF值进行词典化和计算：

lemma = []

for doc in nlp.pipe(df['col'].astype('unicode').values, batch_size=9844,
                        n_threads=3):
    if doc.is_parsed:
        lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct | n.lemma_ != "-PRON-"])
    else:
        lemma.append(None)

df['lemma_col'] = lemma

vect = sklearn.feature_extraction.text.TfidfVectorizer()
lemmas = df['lemma_col'].apply(lambda x: ' '.join(x))
vect = sklearn.feature_extraction.text.TfidfVectorizer()
features = vect.fit_transform(lemmas)

feature_names = vect.get_feature_names()
dense = features.todense()
denselist = dense.tolist()

df = pd.DataFrame(denselist, columns=feature_names)
df = pd.DataFrame(denselist, columns=feature_names)
lemmas = pd.concat([lemmas, df])
df= pd.concat([df, lemmas])

我需要删除专有名词，标点符号和停止单词，但在我当前的代码中执行此操作时遇到了一些麻烦。我已经阅读了一些documentation和other resources，但现在遇到了错误：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-21-e924639f7822> in <module>()
      7     if doc.is_parsed:
      8         tokens.append([n.text for n in doc])
----> 9         lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct or n.lemma_ != "-PRON-"])
     10         pos.append([n.pos_ for n in doc])
     11     else:

<ipython-input-21-e924639f7822> in <listcomp>(.0)
      7     if doc.is_parsed:
      8         tokens.append([n.text for n in doc])
----> 9         lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct or n.lemma_ != "-PRON-"])
     10         pos.append([n.pos_ for n in doc])
     11     else:

AttributeError: 'str' object has no attribute 'is_punct'

是否有更简单的方法可以从文本中删除这些内容，而无需彻底改变我的方法？

完整代码here。

Answer 1

从我所看到的，你的主要问题实际上非常简单：n.lemma_返回一个字符串，而不是Token个对象。所以它没有is_punct属性。我认为你在这里寻找的是n.is_punct（令牌是否是标点符号）。

如果你想更优雅地做到这一点，请查看spaCy的新custom processing pipeline components（需要v2.0 +）。这使您可以将逻辑包装在一个函数中，当您在文本上调用nlp()时，该函数会自动运行。您甚至可以更进一步，并向Doc添加custom attribute - 例如，doc._.my_stripped_doc或doc._.pd_columns或其他内容。这样做的好处是，您可以继续使用spaCy的高性能内置数据结构，如Doc（及其视图Token和Span）作为＆＃34;单一的事实来源＆＃34;你的申请。这样，不会丢失任何信息，并且您始终会保留对原始文档的引用 - 这对于调试也非常有用。

Answer 2

当您使用 spacy 时，请使用此功能删除标点符号。

df["newcolname"] = df.column name(onwhich yoy want to remove stopword).apply(lambda text: 
                                      " ".join(token.lemma_ for token in nlp(text) 
                                               if not token.is_punct)
df["puncfree"] = df.review.apply(lambda text: 
                                      " ".join(token.lemma_ for token in nlp(text) 
                                               if not token.is_punct))

为了说服和更好地理解，我发布了我用来删除标点符号的代码

“review”是我想从中删除标点符号的列名。

使用spaCy删除标点符号; AttribueError

2 个答案: