python数据预处理的方法_文本数据预处理的方法

文本数据分析（一）：基本框架

在文本数据分析基本框架中，我们涉及到了六个步骤：

数据收集

数据预处理

数据挖掘和可视化

模型构建

模型评估

虽然框架需要迭代，但是我们先将其看作是一个线性的过程：

修正过的文本数据处理框架（依然很简单……）

很显然，文本数据预处理位于框架的第二步，这一步所包含的详细步骤有以下两个：

在原始文本语料上进行预处理，为文本挖掘或NLP任务做准备

数据预处理分为好几步，其中有些步骤可能适用于给定的任务，也可能不适用。但通常都是标记化、归一化和替代的其中一种（tokenization, normalization, substitution）。

通常，我们会选取一段预先准备好的文本，对其进行基本的分析和变换，遗留下更有用的文本数据，方便之后更深入、更有意义的分析任务。接下来将是文本挖掘或自然语言处理工作的核心工作。

所以再次重复以便，文本预处理的三个主要组成部分：

标记化（tokenization）

归一化（normalization）

替换（substitution）

在下面介绍预处理方法的过程中，我们需要时刻牢记这三个概念。

文本预处理框