我正在考虑使用数据集模块之外的数据进行工作的文本教程。我从数据帧中获取了一些文本数据，并将其存储为字符串变量以供工作。
def mergeText(df):
content = ''
for i in df['textColumn']:
content += (i + '. ' )
#print(content)
return content
txt = mergeText(df)
我与spacy合作了一点，我知道这是创建doc对象的标准方法
nlp = spacy.load('en')
doc1 = nlp(txt)
print(type(doc1))
输出
class 'spacy.tokens.doc.Doc
所以我应该能够从文档文件中生成一个语料库
corpus = textacy.corpus.Corpus('en', docs=doc1)
但即使我将正确的类型传递给函数
，我也会收到此错误---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-8-c6f568014162> in <module>()
----> 1 corpus = textacy.corpus.Corpus('en', docs=doc1, metadatas=None)
~/anaconda3/envs/nlp/lib/python3.6/site-packages/textacy/corpus.py in __init__(self, lang, texts, docs, metadatas)
156 else:
157 for doc in docs:
--> 158 self.add_doc(doc)
159
160 def __repr__(self):
~/anaconda3/envs/nlp/lib/python3.6/site-packages/textacy/corpus.py in add_doc(self, doc, metadata)
337 msg = '`doc` must be {}, not "{}"'.format(
338 {Doc, SpacyDoc}, type(doc))
--> 339 raise ValueError(msg)
340
341 #################
ValueError: `doc` must be {<class 'textacy.doc.Doc'>, <class 'spacy.tokens.doc.Doc'>}, not "<class 'spacy.tokens.token.Token'>"
我试图以相同的方式创建一个textacy对象，但没有运气
doc = textacy.Doc(txt)
print(type(doc))
<class 'spacy.tokens.doc.Doc'>
我还尝试使用文本参数来为语料库传递原始文本但输出
corpus[:10]
[Doc(1 tokens; "D"),
Doc(1 tokens; "e"),
Doc(1 tokens; "a"),
Doc(1 tokens; "r"),
Doc(1 tokens; " "),
Doc(1 tokens; "C"),
Doc(1 tokens; "h"),
Doc(1 tokens; "r"),
Doc(1 tokens; "i"),
Doc(1 tokens; "s")]
有关如何解决此问题的任何想法？
修改 为了让文档形成许多行并将其传递给语料库，这是我正在为一个线程工作的数据框
chat1 = df[(df['chat_hash']=='121418-456986')]
因此，每个文本的文本都存储在“文本”列下，如果需要，每个文本都可以通过扬声器列绑定到扬声器。
目前我正在查看capitol words示例，但目前尚不完全清楚如何使用数据框进行拆分。
records = cw.records(speaker_name={'Hillary Clinton', 'Barack Obama'})
text_stream, metadata_stream = textacy.fileio.split_record_fields(records, 'text')
corpus = textacy.Corpus('en', texts=text_stream, metadatas=metadata_stream)
corpus
在这种情况下将记录设置为聊天哈希的过滤器
是不是一种情况thread = df[(df['chat_hash']=='121418-456986')]
text_stream, metadata_stream = textacy.fileio.split_record_fields(thread, 'text')
corpus = textacy.Corpus('en', texts=text_stream, metadatas=metadata_stream)
corpus
答案 0 :(得分：3)
docs参数期望迭代，并且iterable的项目可以是各种Doc类型。您正在传递单个文档，在迭代时返回Tokens - 因此错误。您可以将doc=doc1参数打包为doc=[doc1]，这样就可以创建语料库了。
这是一个包含单个文档的语料库 - 这不太可能非常有用。您的意思是为DataFrame的每一行创建一个Doc，而不是连接在一起吗？
编辑：处理DataFrame
如果您希望每个聊天都是一个文档，那么其中一个操作是通过chat_hash对数据框进行分组并将所有文本连接在一起。然后为每个聊天和语料库创建一个文档：
import pandas as pd
import spacy
import textacy
nlp = spacy.load('en')
df = pd.DataFrame([['Ken', 'aaaa', 1, 'This is a thing I said'],
['Peachy', 'aaaa', 2, 'This was a response'],
['Ken', 'aaaa', 3, 'I agree!'],
['Ken', 'bbbb', 1, 'This is a thing I said'],
['Peachy', 'bbbb', 2, 'You fool!']], columns=['speaker', 'chat_hash', 'sequence_number', 'text'])
chat_concat = (df
.sort_values(['chat_hash',
'sequence_number'])
.groupby('chat_hash')['text']
.agg(lambda col: '\n'.join(col)))
docs = list(chat_concat.apply(lambda x: nlp(x)))
corpus = textacy.corpus.Corpus(nlp, docs=docs)
corpus
所以这里的步骤是：