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

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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