原标题:总结!实用Python文本预处理代码
作者 | Data Monster,译者 | Linstancy
出品 | AI科技大本营(ID:rgznai100)
本文将讨论文本预处理的基本步骤,旨在将文本信息从人类语言转换为机器可读格式以便用于后续处理。此外,本文还将进一步讨论文本预处理过程所需要的工具。
当拿到一个文本后,首先从文本正则化 (text normalization)处理开始。常见的文本正则化步骤包括:
将文本中出现的所有字母转换为小写或大写
将文本中的数字转换为单词或删除这些数字
删除文本中出现的标点符号、重音符号以及其他变音符号
删除文本中的空白区域
扩展文本中出现的缩写
删除文本中出现的终止词、稀疏词和特定词
文本规范化 (text canonicalization)
下面将详细描述上述文本正则化步骤。
将文本中出现的字母转化为小写
示例1:将字母转化为小写
Python 实现代码:
input_str = ”The 5biggest countries bypopulation in2017are China, India, United States, Indonesia, andBrazil.”
input_str = input_str.lower
print(input_str)
输出:
the 5biggest countries bypopulation in2017are china, india, united states, indonesia, andbrazil.
删除文本中出现的数字
如果文本中的数字与文本分析无关的话,那就删除这些数字。通常,正则化表达式可以帮助你实现这一过程。
示例2:删除数字
Python 实现代码:
importre
input_str = ’Box A contains 3red and5white balls, whileBox B contains 4red and2blue balls.’
result = re.sub(r’d+’, ‘’, input_str)
print(result)
输出:
Box A contains red andwhite balls, whileBox B contains red andblue balls.
删除文本中出现的标点
以下示例代码演示如何删除文本中的标点符号,如 [!”#$%&’*+,-./:;<=>?@[]^_`{|}~] 等符号。
示例3:删除标点
Python 实现代码:
importstring
input_str = “This &is [an] example? {of} string. with.? punctuation!!!!” #