数据预处理--词语压缩

博客介绍了在电商评论数据预处理中,如何通过词语压缩来去除单条评论文本中的重复文字。方法主要针对开头或结尾的重复文字,通过正向和逆向判断实现压缩,例如将'质量很好很好很好很好'压缩为'质量很好'。
摘要由CSDN通过智能技术生成
词语压缩概念:
在电商评论数据中,最常见的就是数据质量的参差不齐,通过简单的数据去重处理,可以删除掉一部分相同的评论,但是对于去除单条评论文本中重复出现的文字,简单的去重处理并不能完成这个任务。词语压缩的目的就是将单条文本中的重复文字进行压缩删除。
比如下面的这些例子:
“质量很好很好很好很好”
“质量很好很好”
“差差差差差差差差差差差差”
“差差差差差”
“一般一般一般一般啦”
“一般一般”
像这样的两条相似的评论,简单去重是处理不了的。
使用方法后,得到的结果如下:
“质量很好很好很好很好” -》 “质量很好”
“差差差差差差” -》 “差”
“一般一般一般一般啦” -》 “一般啦”
方法简介:
参考了一些书籍,由于大脑运转不灵活,无法领会其中全部理论概念,最终只能用Python实现部分,甚至可能有点偏离原方法。
从正常角度思考,重复文字一般都是出现在评论的开头或者结尾,所以这里只对开头结尾重复的文字进行压缩处理:
1)正向判断:首先定义两个空字符变量(L1,L2),逐个元素遍历评论文本。
索引从0开始,将读取到的字符元素存放在L1,当读取到的字符元素与L1的
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
数据预处理数据分析中非常重要的一个环节,它可以让原始数据更加适合用于各种分析和建模任务。常见的数据预处理包括数据清洗、缺失值处理、异常值处理、特征选择、特征缩放和特征变换等。下面我们将介绍一些常见的数据预处理方法。 1. 数据清洗 数据清洗是指在数据中去除不合理、重复或者无效的数据,保证数据的完整性和准确性。常见的数据清洗方法包括: - 删除重复数据 - 去除异常值 - 去除不合理数据 - 填充缺失值 2. 缺失值处理 缺失值是指数据集中某些数据缺失的情况。常见的缺失值处理方法包括: - 删除缺失值 - 插值法填补缺失值 - 使用平均值、中位数、众数等统计量填补缺失值 3. 异常值处理 异常值是指数据集中不符合正常规律的数据。常见的异常值处理方法包括: - 删除异常值 - 修改异常值 - 使用插值法填补异常值 4. 特征选择 特征选择是指从原始数据中选择最具有代表性的特征,以便用于分析和建模。常见的特征选择方法包括: - 过滤式特征选择 - 包裹式特征选择 - 嵌入式特征选择 5. 特征缩放 特征缩放是指将不同量纲的特征缩放到相同的范围内。常见的特征缩放方法包括: - 标准化 - 归一化 - 对数变换 6. 特征变换 特征变换是指通过对原始数据进行某些变换,使得数据更适合用于分析和建模。常见的特征变换方法包括: - 主成分分析(PCA) - 线性判别分析(LDA) - 因子分析 以上就是一些常见的数据预处理方法,通过对数据进行适当的预处理,可以提高数据分析和建模的准确性和效率。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值