nlp中文数据预处理方法是什么-创新互联

这篇文章主要介绍“nlp中文数据预处理方法是什么”，在日常操作中，相信很多人在nlp中文数据预处理方法是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”nlp中文数据预处理方法是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

　　数据加载(默认csv格式)

　　import pandas as pd

　　datas = pd.read_csv("./test.csv", header=0, index_col=0) # DataFrame

　　n_datas = data.to_numpy() # ndarray 转成numpy更好处理(个人喜好)

　　去除空行

　　def delete_blank_lines(sentences):

　　return [s for s in sentences if s.split()]

　　no_line_datas = delete_blank_lines(n_datas)

　　去除数字

　　DIGIT_RE = re.compile(r'\d+')

　　no_digit_datas = DIGIT_RE.sub('', no_line_datas)

　　def delete_digit(sentences):

　　return [DIGIT_RE.sub('', s) for s in sentences]

　　判断句子形式(简单句或者复杂句)

　　STOPS = ['。', '.', '?', '?', '!', '!'] # 中英文句末字符

　　def is_sample_sentence(sentence):

　　count = 0

　　for word in sentence:

　　if word in STOPS:

　　count += 1

　　if count > 1:

　　return False

　　return True

　　去除中英文标点

　　from string import punctuation

　　import re

　　punc = punctuation + u'

　　def delete_punc(sentences):

　　return [re.sub(r"[{}]+".format(punc), '', s) for s in a]

　　去除英文(仅留汉字)

　　ENGLISH_RE = re.compile(r'[a-zA-Z]+')

　　def delete_e_word(sentences):

　　return [ENGLISH_RE.sub('', s) for s in sentences]

　　去除乱码和特殊符号

　　使用正则表达式去除相关无用符号和乱码

　　# 该操作可以去掉所有的符号，标点和英文，由于前期可能需要标点进一步判断句子是否为简单句，所以该操作可以放到最后使用。郑州做妇科检查价格 http://www.zzkdfk.com/

　　SPECIAL_SYMBOL_RE = re.compile(r'[^\w\s\u4e00-\u9fa5]+')

　　def delete_special_symbol(sentences):

　　return [SPECIAL_SYMBOL_RE.sub('', s) for s in sentences]

　　中文分词

　　# 使用jieba

　　def seg_sentences(sentences):

　　cut_words = map(lambda s: list(jieba.cut(s)), sentences)

　　return list(cut_words)

　　# 使用pyltp分词

　　def seg_sentences(sentences):

　　segmentor = Segmentor()

　　segmentor.load('./cws.model') # 加载分词模型参数

　　seg_sents = [list(segmentor.segment(sent)) for sent in sentences]

　　segmentor.release()

　　return seg_sents

　　去除停用词

　　# 停用词列表需要自行下载

　　stopwords = []

　　def delete_stop_word(sentences):

　　return [[word for word in s if word not in stopwords] for s in sentences]

到此，关于“nlp中文数据预处理方法是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联-成都网站建设公司网站，小编会继续努力为大家带来更多实用的文章！