Question

我们假设我的数据框看起来像这样：

bio_text <- c("Georg Aemilius, eigentlich Georg Oemler, andere Namensvariationen „Aemylius“ und „Emilius“ (* 25. Juni 1517 in Mansfeld; † 22. Mai 1569 in Stolberg (Harz))...", "Johannes Aepinus auch: Johann Hoeck, Huck, Hugk, Hoch oder Äpinus (* um 1499 in Ziesar; † 13. Mai 1553 in Hamburg) war ein deutscher evangelischer Theologe und Reformator.\nAepinus wurde als Sohn des Ratsherrn Hans Hoeck im brandenburgischen Ziesar 1499 geboren...")
doc_id <- c("1", "2")
url <- c("https://de.wikipedia.org/wiki/Georg_Aemilius", "https://de.wikipedia.org/wiki/Johannes_Aepinus")
name <- c("Aemilius, Georg", "Aepinus, Johannes")
place_of_birth <- c("Mansfeld", "Ziesar")

full_wikidata <- data.frame(bio_text, doc_id, url, name, place_of_birth)

我想用R中的cleanNLP包执行命名实体识别。因此，我初始化了tokenizer和spaCy后端，一切正常：

options(stringsAsFactors = FALSE)
library(cleanNLP)

cnlp_init_tokenizers()

require(reticulate)
cnlp_init_spacy("de")

wikidata <- full_wikidata[,c("doc_id", "bio_text")]
wikimeta <- full_wikidata[,c("url", "name", "place_of_birth")]

spacy_annotatedWikidata <- cleanNLP::cnlp_annotate(wikidata, as_strings = TRUE, meta = wikimeta)

我唯一的问题是元数据。当我像这样运行它时，我得到以下警告消息：在cleanNLP :: cnlp_annotate（full_wikidata，as_strings = TRUE，meta = wikimeta）：与meta一起给出的数据帧输入;忽略后者。说实话，我没有在meta中获得有关cnlp_annotate的文档：“一个可绑定到文档表的可选数据框”。这意味着我应该提供一个包含元数据的数据框，对吧？！后来，我希望能够做到这样的事情，例如：过滤掉文档号中的所有人员实体。 3：

cnlp_get_entity(spacy_annotatedWikidata) %>%
  filter(doc_id == 3, entity_type == "PER") %>%
  count(entity)

因此，我必须找到一种访问元数据的方法。任何帮助将非常感谢！

Answer 1

幸运的是，在此期间，我得到了一些帮助和建议，以进一步了解Github上cnlp_annotate的方法代码：https://github.com/statsmaths/cleanNLP/blob/master/R/annotate.R 它说，如果输入本身不是数据帧而是文件路径，则只能传递元数据数据帧。因此，如果您确实希望传递数据帧，则第一行必须为doc_id，第二行为text，其余的行将自动视为元数据！因此，在我的示例中，只需要更改full_wikidata中的顺序：

full_wikidata <- data.frame(doc_id, bio_text, url, name, place_of_birth)

像这样，它可以直接用作clnp_annotate中的输入：

spacy_annotatedWikidata <- cleanNLP::cnlp_annotate(full_wikidata, as_strings = TRUE)

R：元数据数据框中的CleanNLP包？

1 个答案: