中文文本预处理流程(带你分析每一步)
标签：中文文本预处理
作者：炼己者
欢迎大家访问我的简书以及我的博客，大家如果感觉格式看着不舒服，也可以去看我的简书，里面也会有发布
本博客所有内容以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，并且是非商业用途，谢谢！
摘要
- 机器学习我的理解就是把各种原始的东西变成机器可以理解的东西，然后再用各种机器学习算法来做操作。机器可以理解的东西是什么呢？——向量 。所以不管是图片还是文字，要用机器学习算法对它们进行处理，就要把它们转为向量。
- 网上大部分都是处理英文文本的资料，本文就以中文文本为例，将原始的文本经过预处理得到文本向量
目录
- 去除指定无用的符号
- 让文本只保留汉字
- 对文本进行jieba分词
- 去除停用词
- 将文本转为tfidf向量并输入到算法中
操作流程
1.去除指定无用的符号
我们拿到的文本有时候很有很多空格，或者你不想要的符号，那么你就可以用这个方法去掉所有你不想要的符号。在这里我以空格为例
content = [' 欢迎来到 炼己者的博客','炼己者 带你入门NLP ']
# 去掉文本中的空格
def process(our_data):
m1 = map(lambda s: s.replace(' ', ''), our_data)
return list(m1)
print(process(content))
传入的参数our_data是个列表，此函数可以把文本中的所有空格全部去掉。看一下输出的结果。可以发现，所有的空格都被删掉了
['欢迎来到炼己者的博客', '炼己者带你入门NLP']
2.让文本只保留汉字
这个操作我最喜欢，他可以去掉所有的符号，包括数字、标点、字母等等
content = ['如果这篇文章对你有所帮助，那就点个赞呗！！！','如果想联系炼己者的话，那就打电话：110！！！','想学习NLP，那就来关注呀！^-^']
# 让文本只保留汉字
def is_chinese(uchar):
if uchar >= u'\u4e00' and uchar <= u'\u9fa5':
return True
else:
return False
def format_str(content):
content_str = ''
for i in content:
if is_chinese(i):
content_str = content_str + ｉ
return content_str
# 参函数传入的是每一句话
chinese_list = []
for line in content:
chinese_list.append(format_str(line))
print(chinese_list)
然后我们来看一下输出的内容，你会发现只剩下中文了。这个操作实在太骚了
['如果这篇文章对你有所帮助那就点个赞呗', '如果想联系炼己者的话那就打电话', '想学习那就来关注呀']
3. 对文本进行jieba分词
首先你得下载jieba这个库，直接pip install jieba即可。
我们就以上面处理好的那句话作为例子来操作
chinese_list = ['如果这篇文章对你有所帮助那就点个赞呗', '如果想联系炼己者的话那就打电话', '想学习那就来关注呀']
# 对文本进行jieba分词
import jieba
def fenci(datas):
cut_words = map(lambda s: list(jieba.cut(s)), datas)
return list(cut_words)
print(fenci(chinese_list))
然后你就可以得到分词的结果了
[['如果', '这', '篇文章', '对', '你', '有所', '帮助', '那', '就', '点个', '赞', '呗'],
['如果', '想', '联系', '炼己', '者', '的话', '那', '就', '打电话'],
['想', '学习', '那', '就', '来', '关注', '呀']]
4.去除停用词
首先你得上网下载一个停用词表，也可以关注我的微信公众号：
ZhangyhPico，回复停用词表，就可以拿到了。然后把这份停用词转换为列表
为了方便大家理解，在这里我就假设一个停用词表了,我们以上面分好词的数据为例
# 分好词的数据
fenci_list = [['如果', '这', '篇文章', '对', '你', '有所', '帮助', '那', '就', '点个', '赞', '呗'],
['如果', '想', '联系', '炼己', '者', '的话', '那', '就', '打电话'],
['想', '学习', '那', '就', '来', '关注', '呀']]
# 停用词表
stopwords = ['的','呀','这','那','就','的话','如果']
# 去掉文本中的停用词
def drop_stopwords(contents, stopwords):
contents_clean = []
for line in contents:
line_clean = []
for word in line:
if word in stopwords:
continue
line_clean.append(word)
contents_clean.append(line_clean)
return contents_clean
print(drop_stopwords(fenci_list,stopwords))
我们来一下结果，对比发现少了一些停用词
[['篇文章', '对', '你', '有所', '帮助', '点个', '赞', '呗'],
['想', '联系', '炼己', '者', '打电话'],
['想', '学习', '来', '关注']]
我觉得上面的操作也可应用在去除一些你不想要的符号上面，你可以把没有用的符号添加到停用词表里，那么它也会被去掉
5.将文本转为tfidf向量并输入到算法中
最后这一步你可以参照这篇文章操作，使用不同的方法计算TF-IDF值
不过为了完整起见，我在这里给大家再演示一遍操作流程。咱们就以上面去掉停用词的数据为例
word_list = [['篇文章', '对', '你', '有所', '帮助', '点个', '赞', '呗'],
['想', '联系', '炼己', '者', '打电话'],
['想', '学习', '来', '关注']]
from gensim import corpora,models
dictionary = corpora.Dictionary(word_list)
new_corpus = [dictionary.doc2bow(text) for text in word_list]
tfidf = models.TfidfModel(new_corpus)
tfidf_vec = []
for i in range(len(words)):
string = words[i]
string_bow = dictionary.doc2bow(string.split())
string_tfidf = tfidf[string_bow]
tfidf_vec.append(string_tfidf)
print(tfidf_vec)
在这里我们就可以得到tfidf向量，这里调用的是gensim库计算的tfidf向量，你也可以直接调用sklearn库来计算tfidf向量，怎么操作看上面的那篇文章，里面都有介绍。我们来看一下得到的tfidf向量长什么样子
[[(0, 0.35355339059327373),
(1, 0.35355339059327373),
(2, 0.35355339059327373),
(3, 0.35355339059327373),
(4, 0.35355339059327373),
(5, 0.35355339059327373),
(6, 0.35355339059327373),
(7, 0.35355339059327373)],
[(8, 0.18147115159841573),
(9, 0.49169813431045906),
(10, 0.49169813431045906),
(11, 0.49169813431045906),
(12, 0.49169813431045906)],
[(8, 0.2084041054460164),
(13, 0.5646732768699807),
(14, 0.5646732768699807),
(15, 0.5646732768699807)]]
很明显，句子的长度不一样，所以得到的tfidf向量的维度也不一样。那么我们该怎么操作呢？——可以用lsi向量来保证向量的维度一致
# num_topics参数可以用来指定维度
lsi_model = models.LsiModel(corpus = tfidf_vec,id2word = dictionary,num_topics=2)
lsi_vec = []
for i in range(len(words)):
string = words[i]
string_bow = dictionary.doc2bow(string.split())
string_lsi = lsi_model[string_bow]
lsi_vec.append(string_lsi)
print(lsi_vec)
看一下结果
[[(1, 2.8284271247461907)],
[(0, 1.6357709481422218)],
[(0, 1.4464385059387106)]]
sklearn库的机器学习算法很齐全，你可以调用这些算法包来进行操作。但是sklearn里的算法要求数据的格式必须是array格式，所以我们得想办法把gensim计算的tfidf向量格式转化为array格式。按照下面操作即可
from scipy.sparse import csr_matrix
data = []
rows = []
cols = []
line_count = 0
for line in lsi_vec:
for elem in line:
rows.append(line_count)
cols.append(elem[0])
data.append(elem[1])
line_count += 1
lsi_sparse_matrix = csr_matrix((data,(rows,cols))) # 稀疏向量
lsi_matrix = lsi_sparse_matrix.toarray() # 密集向量
print(lsi_matrix)
结果长这样
array([[0. , 2.82842712],
[1.63577095, 0. ],
[1.44643851, 0. ]])
我们的目的已经达到。肯定有人会问，你为啥不直接调用sklearn里计算tfidf向量的方法，那多方便，多直接。何必这样转换来转换去的。
这是有原因的，假设你的数据量很大，几百万条，那么用sklearn计算的tfidf向量维度会非常大，最后调用机器学习算法包的时候就会报错。如果你调用gensim来计算tfidf向量，然后再采用上述的方法，就可以对向量进行降维了，而且你还可以指定维度。在lsi向量那一步进行操作，num_topics参数可以用来指定维度
总结
以上便是整个中文文本的预处理了，这个流程可以应付大多数的文本处理任务。你把文本转换为向量之后，后面的操作就很容易了，调用sklearn算法包，或者自己写一个机器学习的算法，这些都是有章法可循的。
希望可以帮助到大家，如果你觉得这篇文章对你有一定的帮助，那就点个赞支持一下吧！如果有什么问题的话也可以在文章下面评论，我们一起交流解决问题！
欢迎扫码关注
