文本数据预处理

1.定义

• 数据预处理:在数据分析之前，对数据进行初步处理
  • 缺失值填写
  • 噪声处理
  • 不一致数据修正
  • 中文分词等

2. 文本数据预处理相关操作

2.1. 中文分词

• 安装相关库

  pip install jiaba
  

2.1.1 相关使用

• 全模式
  • 一段文本种所有可能出现地词语都扫描出来，一段文本从不同地角度切分成不同地词语，分词后地信息组合会有冗余，不在是原来的文本。
  • 优点：速度快
  • 缺点：不能解决歧义问题，分词结果不正确

    text = "我失业5月份了，我想找一个python数据分析师的工作。"  
    data = jieba.cut(text,cut_all=True)
    print(type(data))
    print("[全模式]: ", "/".join(data))
    

• 精确模式
  • 一段文本精确地切分成若干个中文单词，若干个中文单词经过组合，精确还原原先地文本，不存在冗余单词。
  • 优点：能使句子精准分隔开，不会有冗余问题

  text = "我失业5月份了，我想找一个python数据分析师的工作。"  
  data = jieba.cut(text)  
  print("[精确模式 ]: ", "/".join(data))
  

• 搜索引擎模式
  • 精确模式基础上，对发现长的词语，再次切分，进而合适搜索殷勤对短词语的索引和搜索，会有冗余。

  text = "我失业5月份了，我想找一个python数据分析师的工作。"  
  data = jieba.cut_for_search(text)    
  print(u"[搜索引擎模式]: ", "/".join(data))
  

2.2 文本数据清洗

2.2.1 脏数据分类

• 残缺数据
  • 信息存在缺失的数据，需要查找数据补齐存入文件或数据库
  • 解决：对于空值或缺失值，采用估算方法填充，例如：均值，中位数，众数，最大值，最小值等。
• 重复数据
  • 重复数据不能轻易删除，要与客户及业务意义辨别，先校验和确认数据数否有误
  • 解决：人为识别，或者采用相似度的方法等
• 错误数据
  • 不正确的数据格式，多一个字符等情况，需与相关部门确认数据准确性
  • 解决：采用统计学的方法，偏差分析，回归方程，正态分布等
• 停用词
  • 没有意义的单个字或词，如“我们”，“的”，“a”
  • 解决：直接过滤

    stopwords =['的', '或', '等', '是', '有', '之', '与']
    text = "我失业5月份了，我想找一个python数据分析师的工作。"  
    seglist = jieba.cut(text)  
    final = []                               #存储去除停用词内容
    for seg in seglist: 
        if seg not in stopwords:  
            final.append(seg)