文本规范化

文本规范化

import nltk
import re
import string
from pprint import pprint

sample_corpus = ["The brown fox wasn't that quick and he couldn't win the ra", 
          "Hey that's a great deal! 1 just bought a phone for $199",
          "Ill@You'l1 (ο1earn) in the book. Python is an amazing languagel@@"]

1.文本清洗

我们要使用或分析的文本数据部包含大量无关和不必要的标识和字符，在进行其他操作(如切分和其他规范化操作)之前，应该先删除它们，这包括从如 HTML 之类的数据源中提取有意义的文本，数据源中可能包含不必要的 HTML 标记，甚至是来自 XML 和JSON feed 的数据解析并清洗这些数据的方法很多，以删除不必要的标签 你可以使用 nltk的 cleafLhtml()函数，甚至是 BeautifulSoup库米解析 HTML数据。 你还可以使用自定义的逻辑，包括正则表达式、 xpath 和 lxml库米解析 XML 数据. 从 JSON 获取数据较为容易，因为它具有明确的键值注释

2.文本切分

通常完成文本清洗之后，进行文本切分操作
文本切分和删除多余字符的顺序取决于你要解决的问题和你正在处理的数据

# 文本切分函数, 将文本切分为词
def tokenize_text(text):
    sentences = nltk.sent_tokenize(text)
    word_tokens = [nltk.word_tokenize(sentence) for sentence in sentences]
    return word_tokens

token_list = [tokenize_text(corpu) for corpu in sample_corpus]
pprint(token_list)

[[['The',
   'brown',
   'fox',
   'was',
   "n't",
   'that',
   'quick',
   'and',
   'he',
   'could',
   "n't",
   'win',
   'the',
   'ra']],
 [['Hey', 'that', "'s", 'a', 'great', 'deal', '!'],
  ['1', 'just', 'bought', 'a', 'phone', 'for', '$', '199']],
 [['Ill', '@', "You'l1", '(', 'ο1earn', ')', 'in', 'the', 'book', '.'],
  ['Python', 'is', 'an', 'amazing', 'languagel', '@', '@']]]

3.删除特殊字符

代码段段示了如何在切分之后删除特殊字符:

# 这里使用的是 string.punctuation 属性，它由所有可能的特殊字符/符号组成，并从中创建一个正则表达式模式.
# 我们使用它来匹配并删除符号和字符标识
def remove_characters_after_tokenization(tokens):
    pattern = re.compile('[{}]'.format(re.escape(string.punctuation)))
    filtered_tokens = list(filter(None, [pattern.sub("", token) for token in tokens]))
    return filtered_tokens

filtered_list_l = [list(filter(None,[remove_characters_after_tokenization(tokens) for tokens in sentence_tokens])) for sentence_tokens in token_list]

pprint(filtered_list_l)

[[['The',
   'brown',
   'fox',
   'was',
   'nt',
   'that',
   'quick',
   'and',
   'he',
   'could',
   'nt',
   'win',
   'the',
   'ra']],
 [['Hey', 'that', 's', 'a', 'great', 'deal'],
  ['1', 'just', 'bought', 'a', 'phone', 'for', '199']],
 [['Ill', 'Youl1', 'ο1earn', 'in', 'the', 'book'],
  ['Python', 'is', 'an', 'amazing', 'languagel']]]

代码段段示了如何在切前之后删除特殊字符

一种是删除所有特殊字符（通过只保留空格、数字、字母），一种是保留撇号和句号（通过删除一些特殊字符）

def remove_characters_before_tokenization(sentence, keep_apostrophes=False):
    sentence = sentence.strip()
    if keep_apostrophes:
        PATTERN = r'[?|$|&|*|%|@|(|)|-]' # add other characters here to remove them
        filtered_sentence = re.sub(PATTERN, r'', sentence)
    else:
        PATTERN = r'[^a-zA-Z0-9 ]'# only extract alpha-numeric characters
        filtered_sentence = re.sub(PATTERN, r'', sentence)
    return filtered_sentence

filtered_list_2 = [remove_characters_before_tokenization(sentence, keep_apostrophes=False) for sentence in sample_corpus]
pprint(filtered_list_2)

['The brown fox wasnt that quick and he couldnt win the ra',
 'Hey thats a great deal 1 just bought a phone for 199',
 'IllYoul1 1earn in the book Python is an amazing languagel']

4.扩展缩写词

对缩写词和对应的扩展词语迸行适当的映射

5.大小写转换

# 小写: str.lower()
# 大写: str.upper()

6.删除停用词

每个领域或语言可能都有一系列独有的停用词 。

7.词语校正

7.1校正重复字符，包括从语法校正到语义校正

# 使用正则表达式来识别单词中的重复字符，然后使用置换来逐个删除重复字符
old_word = 'finalllyyy'
# \2就是复制一下
# 也就是 (\w*)(\w)\2(\w*) 相当于(\w*)(\w)(\w)(\w*)

repeat_pattern = re.compile(r'(\w*)(\w)\2(\w*)')
# \1\2\3就是保留正则表达式中，3个括号中的内容，复制的那个剔除，还可以通过改变顺序实现匹配之后括号中内容的换位，如改成r'\2\3\1'
match_substitution = r'\1\2\3'
step = 1

# 找出词语中连续重复的字母, 删除他
while True:
    new_word = repeat_pattern.sub(match_substitution, old_word)
    if new_word != old_word:
        print("Step: {}, word: {}".format(step, new_word))
        step += 1
        old_word = new_word
    else:
        print("Final word: {}".format(new_word))
        break

Step: 1, word: finalllyy
Step: 2, word: finallly
Step: 3, word: finally
Step: 4, word: finaly
Final word: finaly

上面的代码段履示了重复字符如何逐步被删除，直到我们得到" finaly"，然而，在语义上，这个词是不正确的一一正确的词是finally。

from nltk.corpus import wordnet

def remove_repeated_characters(tokens):
    repeat_pattern = re.compile(r'(\w*)(\w)\2(\w*)')
    match_substitution = r'\1\2\3'
    def replace(old_word):
        # wordnet.synsets可以获得一个词的所有sense，包括词语的各种变形的sense
        # 在这里用来判断一个单词是否有语义
        if wordnet.synsets(old_word):
            return old_word
        new_word = repeat_pattern.sub(match_substitution, old_word)
        # 递归重复调用自身, 后面if else, 判断是否调用自身, 如果new_word已经等于old_word那么就直接返回new_word
        return replace(new_word) if new_word != old_word else new_word

    correct_tokens = [replace(word) for word in tokens]
    return correct_tokens

sample_sentence= 'myy schooool is reallllyyy amaaazingggg'
sample_sentence_tokens = tokenize_text(sample_sentence)[0]
remove_repeated_characters(sample_sentence_tokens)

7.2 校正拼写错误

由谷歌研究主管 Peter Norvig 开发 你可以在 http://norvig.com/spell-correct. hlml上找到完整详细的算法说明。

目标是，给出一个单词，找到这个单词最有可能的正确形式 。 我们遵循的方法是生成一系列类似输入词的候选词，并从该集合中选择最有可能的单词作为正确的单词

使用标准英文单词语料库，根据语料库中单词的频率，从距离输入单词最近的最后一组候选词中识别出正确的单词 。 这个距离(即一个单词与输入单词的测量距离)也称为编辑距离( edit dislance)

尝试通过pyenchant去实现拼写检查和词推荐

import enchant
d = enchant.Dict("en_US")
print(d.check("folat"))
print(d.suggest("folat"))

False
['float', 'flat', 'fol at']

8.词干提取

在自然语言处理领域，我们遇到了两个或两个以上单词具有共同根源的情况。 例如，agreed, agreeing 和 agreeable这三个词具有相同的词根。 涉及任何这些词的搜索应该把它们当作是根词的同一个词。 因此将所有单词链接到它们的词根变得非常重要。 NLTK库有一些方法来完成这个链接，并给出显示根词的输出。

以下三种算法为常用的词干提取方式

Porter:宽松、简单、快，但是比较粗暴

Lancater:严格，复杂，慢，保词干的语法正确

Snowball:在精度和效率上位于以上两种提取器之间

# 波特词干提取器
from nltk.stem import PorterStemmer
ps = PorterStemmer()
print(ps.stem("jumping"), ps.stem("jumps"), ps.stem("lying"), ps.stem("strange"), ss.stem('ate'))

jump jump lie strang ate

# 兰卡斯特词干提取器
from nltk.stem import LancasterStemmer
ls = LancasterStemmer()
print(ls.stem("jumping"), ls.stem("jumps"), ls.stem("lying"), ls.stem("strange"), ss.stem('ate'))

jump jump lying strange ate

# SnowballStemmer提取器
from nltk.stem import SnowballStemmer
ss = SnowballStemmer(language='english')
print(ss.stem("jumping"), ss.stem("jumps"), ss.stem("lying"), ss.stem("strange"), ss.stem('ate'))

jump jump lie strang ate

9.词形还原

词形还原（lemmatization），是把一个任何形式的语言词汇还原为基本形式（能表达完整语义）这种基本形式称为根词，而不是词干。而词干提取（stemming）是抽取词的词干或词根形式（不一定能够表达完整语义）。词形还原和词干提取是词形规范化的两类重要方式，都能够达到有效归并词形的目的，二者既有联系也有区别。

它们的不同之处在于，词干不一定是标准的、正确的单词. 也就是说，它可能不存在于词典中，根词也称为词元( lemma) ，始终存在于词典中。

from nltk.stem import WordNetLemmatizer
wnl = WordNetLemmatizer()
print(wnl.lemmatize('cars', 'n'), wnl.lemmatize('men', 'n'))
print(wnl.lemmatize('running' , 'v'), wnl.lemmatize('ate', 'v'))
print(wnl.lemmatize('saddest', 'a'), wnl.lemmatize('fancier', 'a'))

car men
run eat
sad fancy

词性特别重要，如果词性给错则词形还原会失效，如下

print(wnl.lemmatize('running' , 'n'), wnl.lemmatize('ate', 'n'))

running ate