Python机器学习从入门到高级：快速处理文本（含代码）
Python机器学习：文本处理
最近小伙伴问我有什么刷题网站推荐，在这里推荐一下牛客网，里面包含各种面经题库，全是免费的题库，可以全方面提升你的职业竞争力，提升编程实战技巧，赶快来和我一起刷题吧！牛客网链接|python篇
- 🌸个人主页：JoJo的数据分析历险记
- 📝个人介绍：小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生
- 💌如果文章对你有帮助，欢迎✌
关注、👍点赞、✌收藏、👍订阅专栏
最近小伙伴问我有什么刷题网站推荐，在这里推荐一下牛客网，里面包含各种面经题库，全是免费的题库，可以全方面提升你的职业竞争力，提升编程实战技巧，赶快来和我一起刷题吧！牛客网链接|python篇
🍁1. 清洗文本
对一些非结构化的文本数据进行基本的清洗
stripsplitreplace
# 创建文本
text_data = [' Interrobang. By Aishwarya Henriette ',
'Parking And goding. by karl fautier',
' Today is the night. by jarek prakash ']
# 去除文本两端的空格
stripwhitespace = [string.strip() for string in text_data]
stripwhitespace
['Interrobang. By Aishwarya Henriette',
'Parking And goding. by karl fautier',
'Today is the night. by jarek prakash']
# 删除句号
remove_periods = [string.replace('.','') for string in text_data]
remove_periods
[' Interrobang By Aishwarya Henriette ',
'Parking And goding by karl fautier',
' Today is the night by jarek prakash ']
# 创建函数
def capitalizer(string):
return string.upper()
[capitalizer(string) for string in remove_periods]
[' INTERROBANG BY AISHWARYA HENRIETTE ',
'PARKING AND GODING BY KARL FAUTIER',
' TODAY IS THE NIGHT BY JAREK PRAKASH ']
# 使用正则表达式
import re
def replace_letters_with_x(string):
return re.sub(r'[a-zA-Z]','x',string)
[replace_letters_with_x(string) for string in remove_periods]
[' xxxxxxxxxxx xx xxxxxxxxx xxxxxxxxx ',
'xxxxxxx xxx xxxxxx xx xxxx xxxxxxx',
' xxxxx xx xxx xxxxx xx xxxxx xxxxxxx ']
🍂2. 解析并清洗HTML
#使用beautiful soup 对html进行解析
from bs4 import BeautifulSoup
# 创建html代码
html = """
<div class='full_name'><span style='font-weight:bold'>
Masege Azra"
"""
# 创建soup对象
soup = BeautifulSoup(html, 'lxml')
soup.find('div')
<div class="full_name"><span style="font-weight:bold">
Masege Azra"
</span></div>
🍃3. 移除标点
import unicodedata
import sys
text_data = ['Hi!!!! I. love. This. Song....',
'10000% Agree!!!! #LoveIT',
'Right??!!']
# 创建一个标点符号字典
punctuation = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
[string.translate(punctuation) for string in text_data]
['Hi I love This Song', '10000 Agree LoveIT', 'Right']
🌍4. 文本分词
这里介绍一下jieba库
import jieba
# 创建文本
string = 'The science of study is the technology of tomorrow'
seg = jieba.lcut(string)
print(seg)
['The', ' ', 'science', ' ', 'of', ' ', 'study', ' ', 'is', ' ', 'the', ' ', 'technology', ' ', 'of', ' ', 'tomorrow']
当然，本文只是介绍了在数据清洗中的一些最基本的文本处理方法，后续还会介绍目前NLP的一些主流方法和代码。
最近小伙伴问我有什么刷题网站推荐，在这里推荐一下牛客网，里面包含各种面经题库，全是免费的题库，可以全方面提升你的职业竞争力，提升编程实战技巧，赶快来和我一起刷题吧！牛客网链接|python篇
本章的介绍到此介绍，如果文章对你有帮助，请多多点赞、收藏、评论、关注支持！！
最近小伙伴问我有什么刷题网站推荐，在这里推荐一下牛客网，里面包含各种面经题库，全是免费的题库，可以全方面提升你的职业竞争力，提升编程实战技巧，赶快来和我一起刷题吧！牛客网链接|python篇
