就我而言,毫无疑问。我正在Kaggle从事NLP和情感分析项目,首先我正在准备数据。数据框是一个文本列,后跟一个从0到9的数字,该数字对行(文档)所属的群集进行分类。我在sklearn中使用TF-IDF Vectorizer。我想摆脱不是英语单词的任何东西,所以我使用以下内容:
class LemmaTokenizer(object):
def __init__(self):
self.wnl = WordNetLemmatizer()
def __call__(self, doc):
return [self.wnl.lemmatize(t) for t in word_tokenize(doc)]
s_words = list(nltk.corpus.stopwords.words("english"))
c = TfidfVectorizer(sublinear_tf=False,
stop_words=s_words,
token_pattern =r"(?ui)\\b\\w*[a-z]+\\w*\\b",
tokenizer = LemmaTokenizer(),
analyzer = "word",
strip_accents = "unicode")
#a_df is the original dataframe
X = a_df['Text']
X_text = c.fit_transform(X)
据我所知,在调用c.get_feature_names()
时,应仅返回属于正确单词的标记,而没有数字或标点符号。我在StackOverflow的一篇博文中找到了正则表达式,但是使用更简单的正则表达式(如[a-zA-Z]+
)将完全相同(这没什么)。当我调用功能名称时,会得到类似
["''abalone",
"#",
"?",
"$",
"'",
"'0",
"'01",
"'accidentally",
...]
这些只是示例,但是它代表了我得到的输出,而不仅仅是文字。我一直在尝试不同的正则表达式或方法来使用它。甚至对停用词上的某些功能的输出进行了硬编码。我之所以这样问是因为稍后我要使用LDA
来获取每个聚类的主题,并获得标点符号作为“主题”。希望我不要重复其他帖子。我需要提供的信息会很高兴。预先谢谢!
如果您传递自定义标记器,则将忽略正则表达式模式。文档中未提及,但是您可以在源代码中清楚地看到它:
def build_tokenizer(self):
"""Return a function that splits a string into a sequence of tokens.
Returns
-------
tokenizer: callable
A function to split a string into a sequence of tokens.
"""
if self.tokenizer is not None:
return self.tokenizer
token_pattern = re.compile(self.token_pattern)
return token_pattern.findall
如果self.tokenizer
不是None
,则不会对令牌模式执行任何操作。
解决这个问题很简单,只需将正则表达式令牌模式放入自定义令牌生成器中,然后使用它来选择令牌。