NLP系列 2.特征提取

1. 基本文本处理技能

1.1 中英文字符串处理

1.1.1 删除不相关的字符

去除字符串两端字符串:

s='    ,,,abc,,,   '
print(s.strip())# 删除两边空字符
print(s.lstrip())# 删除左边空字符
print(s.rstrip())#  删除右边空字符
print(s.strip().strip(','))# 删除指定字符

,,,abc,,,
,,,abc,,,   
    ,,,abc,,,
abc

replace替换

s1='123abc456'
print(s1.replace('123',''))

正则表达式去除字符

import re
s2='123abc456'
print(re.sub('\d+','.',s2))

正则表达式的用法可以参考 https://www.liaoxuefeng.com/wiki/1016959663602400/1017639890281664
常用辅助网站
https://regex101.com

1.1.2 去除停用词

之前写爬虫做词云用到过停用词.
停用词在主要指一些常用的虚词, 出现频率高, 但是又没有实际意义, 所以在许多进行文本分析的场景下需要去掉.
常与jieba分词共同使用.
这一部分不多叙述, 参见下面分词部分.

1.2 分词

jieba分词是一个常用的开源分词工具. 官方链接: https://github.com/fxsjy/jieba
支持三种分词模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；cut_all=False
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；cut_all=True
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。jieba.cut_for_search()

1.2.1 安装

pip install jieba

1.2.2 简单使用

import jieba
#精确模式
seg_list=jieba.cut('请确认商品完好后签收',cut_all=False)#cut_all默认为False
print('/ '.join(seg_list))#join是split的逆操作
#全模式
seg_list=jieba.cut('请确认商品完好后签收',cut_all=True)
print('/ '.join(seg_list))
#搜索模式
seg_list=jieba.cut_for_search("对于美方发起的贸易战，中国早就表明态度：不愿打，但也不怕打，必要时不得不打")
print('/ '.join(seg_list))

在这里我犯了一个很智障的错误, 不能把python文件命名为jieba, https://github.com/fxsjy/jieba/issues/219

1.2.3 停用词

import jieba  
  
  
# jieba.load_userdict('userdict.txt')  
# 创建停用词list  
def stopwordslist(filepath):  
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]  
    return stopwords  
  
  
# 对句子进行分词  
def seg_sentence(sentence):  
    sentence_seged = jieba.cut(sentence.strip())  
    stopwords = stopwordslist('stopwords.txt')  # 这里加载停用词的路径  
    outstr = ''  
    for word in sentence_seged:  
        if word not in stopwords:  
            if word != '\t':  
                outstr += word  
                outstr += " "  
    return outstr  
  
  
inputs = open('cnews.val.txt', 'r', encoding='utf-8')  
outputs = open('output.txt', 'w')  
for line in inputs:  
    line_seg = seg_sentence(line)  # 这里的返回值是字符串  
    outputs.write(line_seg + '\n')  
outputs.close()  
inputs.close()  

这里用上次的THUCNews中的cnews.val.txt作为输出数据, stopwords.txt是我大一的时候做爬虫时下载的, 已经不知道出处了.
这两个文件都放在当前目录下, 运行得如下结果.

原本的cnews.val.txt如下:

对比可以发现"中","对于"这些虚词已经被去掉了.

1.3 词、字符频率统计

1.3.1 最简单的方法

import collections
import os
f=open('output.txt',"r")
news=[]
for i in range(10):
    string=f.readline()
    string=string.split(' ')
    news+=string
print(collections.Counter(news))

结果如下:

利用jieba分词进行关键词提取

jieba实现了TF-IDF和TextRank这两种关键词提取算法, 这里也会使用到jieba自带的前缀词典和IDF权重词典。

import jieba.analyse
import os
f=open('output.txt',"r")
news=''
for i in range(10):
    string=f.readline()
    news+=string
# 第一个参数：待提取关键词的文本
# 第二个参数：返回关键词的数量，重要性从高到低排序
# 第三个参数：是否同时返回每个关键词的权重
# 第四个参数：词性过滤，为空表示不过滤，若提供则仅返回符合词性要求的关键词
keywords = jieba.analyse.extract_tags(news, topK=20, withWeight=True, allowPOS=())
# 访问提取结果
for item in keywords:
    # 分别为关键词和相应的权重
    print(item[0], item[1])

# 同样是四个参数，但allowPOS默认为('ns', 'n', 'vn', 'v')
# 即仅提取地名、名词、动名词、动词
keywords = jieba.analyse.textrank(news, topK=20, withWeight=True, allowPOS=('ns', 'n', 'vn', 'v'))
# 访问提取结果
for item in keywords:
    # 分别为关键词和相应的权重
    print(item[0], item[1])

结果如下:

2. 语言模型

2.1 定义

统计语言模型是一个单词序列上的概率分布，对于一个给定长度为m的序列，它可以为整个序列产生一个概率 P(w_1,w_2,…,w_m) 。其实就是想办法找到一个概率分布，它可以表示任意一个句子或序列出现的概率。
下面介绍一下n-gram模型方法.

2.2 n-gram模型

n-gram模型：unigram、bigram、trigram
为了解决自由参数数目过多的问题，引入了马尔科夫假设：随意一个词出现的概率只与它前面出现的有限的n个词有关。基于上述假设的统计语言模型被称为N-gram语言模型。

当n取1、2、3时，n-gram模型分别称为unigram、bigram、trigram语言模型

• unigram 一元分词，把句子分成一个一个的汉字
• bigram 二元分词，把句子从头到尾每两个字组成一个词语，也叫一阶马尔科夫链
• trigram 三元分词，把句子从头到尾每三个字组成一个词语，也叫二阶马尔科夫链
  转自 https://blog.csdn.net/u012736685/article/details/88206485
  这部分我目前还不是很懂, 这几天加深一下理解再补充.

3. 参考链接

https://blog.csdn.net/u012052268/article/details/77825981#python_0
https://github.com/fxsjy/jieba
https://zhuanlan.zhihu.com/p/52061158
https://blog.csdn.net/u012736685/article/details/88206485