基于 NLTK 的词干提取和词形还原

Question

我正在尝试使用lemmatizer预处理字符串，然后删除标点符号和数字。 我正在使用下面的代码来做到这一点。 我没有收到任何错误，但文本没有经过适当的预处理。 只有停用词被删除，但词形还原不起作用，标点符号和数字也保留了下来。

from nltk.stem import WordNetLemmatizer
import string
import nltk
tweets = "This is a beautiful day16~. I am; working on an exercise45.^^^45 text34."
lemmatizer = WordNetLemmatizer()
tweets = lemmatizer.lemmatize(tweets)
data=[]
stop_words = set(nltk.corpus.stopwords.words('english'))
words = nltk.word_tokenize(tweets)
words = [i for i in words if i not in stop_words]
data.append(' '.join(words))
corpus = " ".join(str(x) for x in data)
p = string.punctuation
d = string.digits
table = str.maketrans(p, len(p) * " ")
corpus.translate(table)
table = str.maketrans(d, len(d) * " ")
corpus.translate(table)
print(corpus)

我得到的最终输出是：

This beautiful day16~ . I ; working exercise45.^^^45 text34 .

预期输出应如下所示：

This beautiful day I work exercise text

Answer 1

不，您当前的方法不起作用，因为您必须一次将一个单词传递给词形还原器/词干提取器，否则，这些函数将不知道将您的字符串解释为一个句子（它们需要单词）。

import re

__stop_words = set(nltk.corpus.stopwords.words('english'))

def clean(tweet):
    cleaned_tweet = re.sub(r'([^\w\s]|\d)+', '', tweets.lower())
    return ' '.join([lemmatizer.lemmatize(i, 'v') 
                for i in cleaned_tweet.split() if i not in __stop_words])

或者，您可以使用PorterStemmer ，它的作用与词形还原相同，但没有上下文。

from nltk.stem.porter import PorterStemmer  
stemmer = PorterStemmer() 

并且，像这样调用词干分析器：

stemmer.stem(i)

Answer 2

我认为这就是您要查找的内容，但是在调用 lemmatizer 之前执行此操作，正如评论者所指出的那样。

>>>import re
>>>s = "This is a beautiful day16~. I am; working on an exercise45.^^^45text34."
>>>s = re.sub(r'[^A-Za-z ]', '', s)
This is a beautiful day I am working on an exercise text

Answer 3

要正确处理推文，您可以使用以下代码：

import re
import nltk
def process(text, lemmatizer=nltk.stem.wordnet.WordNetLemmatizer()):
""" Normalizes case and handles punctuation
Inputs:
    text: str: raw text
    lemmatizer: an instance of a class implementing the lemmatize() method
                (the default argument is of type nltk.stem.wordnet.WordNetLemmatizer)
Outputs:
    list(str): tokenized text
"""
bcd=[]
pattern = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'
text1= text.lower()
text1= re.sub(pattern,"", text1)
text1= text1.replace("'s "," ")
text1= text1.replace("'","")
text1= text1.replace("—", " ")
table= str.maketrans(string.punctuation,32*" ")
text1= text1.translate(table)
geek= nltk.word_tokenize(text1)



abc=nltk.pos_tag(geek)
output = []
for value in abc:
    value = list(value)
    if value[1][0] =="N":
        value[1] = 'n'
    elif value[1][0] =="V":
        value[1] = 'v'
    elif value[1][0] =="J":
        value[1] = 'a'
    elif value[1][0] =="R":
        value[1] = 'r'
    else:
        value[1]='n'
    output.append(value)
abc=output
for value in abc:
    bcd.append(lemmatizer.lemmatize(value[0],pos=value[1]))
return bcd

在这里，我使用了 post_tag（仅 N、V、J、R 并将其余全部转换为名词）。 这将返回一个标记化和词形化的单词列表。