基於之前和之后單詞的python單詞分組

Question

我正在嘗試創建單詞組。 首先，我數所有單詞。 然后按字數確定前10個字。 然后，我想基於前10個單詞創建10個單詞組。每個組由位於該頂部單詞之前和之后的所有單詞組成。

我將調查結果存儲在這樣的python pandas數據框中

Question_ID | Customer_ID | Answer
  1           234         Data is very important to use because ... 
  2           234         We value data since we need it ... 

我還將答案列另存為字符串。

我正在使用以下代碼在一個單詞之前和之后找到3個單詞（實際上我必須在“答案”列中創建一個字符串）

answers_str = df.Answer.apply(str)
for value in answers_str:
   non_data = re.split('data|Data', value)
   terms_list = [term for term in non_data if len(term) > 0] # skip empty terms
   substrs = [term.split()[0:3] for term in terms_list]  # slice and grab first three terms
   result = [' '.join(term) for term in substrs] # combine the terms back into substrings
   print result

我一直在手動創建單詞組-但是在python中有辦法嗎？

因此，根據上面顯示的示例，帶有字數統計功能的組如下所示：

group "data": 
              data : 2
              important: 1
              value: 1
              need:1

然后，當遍歷整個文件時，將出現另一組：

group "analytics:
              analyze: 5
              report: 7
              list: 10
              visualize: 16

這個想法也是要擺脫“我們”，“到”，“是”-但如果不可能的話，我可以手動完成。

然后建立10個最常用的單詞（按單詞計數），然后創建10個單詞組，這些單詞在最主要的前10個單詞的前面和后面。

Answer 1

我們可以為此使用正則表達式。 我們將使用此正則表達式

((?:\b\w+?\b\s*){0,3})[dD]ata((?:\s*\b\w+?\b){0,3})

您可以在此處進行自我測試，以提取每次出現數據前后的三個詞

首先，讓我們從字符串中刪除所有我們不喜歡的單詞。

import re

#    If you're processing a lot of sentences, it's probably wise to preprocess
#the pattern, assuming that bad_words is the same for all sentences
def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)

我們要獲取每行中圍繞數據的單詞

data_pat = r'((?:\b\w+?\b\s*){0,3})[dD]ata((?:\s*\b\w+?\b){0,3})'
res = re.findall(pat, s, flags=re.IGNORECASE)

給我們一個字符串元組列表。 我們希望在拆分后獲得這些字符串的列表。

from itertools import chain
list_of_words = list(chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res))))))

那不是很漂亮，但是可以。 基本上，我們將元組從列表中拉出，將字符串從每個元組中拉出，然后拆分每個字符串，然后將所有字符串從列表中拉出，最后將它們分成一個大列表。

讓我們將其與您的pandas代碼放在一起。 pandas不是我最擅長的領域，所以如果您看到怪異的事物，請不要以為我沒有犯一些基本的錯誤。

import re
from itertools import chain
from collections import Counter    

def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)

bad_words = ['we', 'is', 'to']
sentence_list = df.Answer.apply(lambda x: remove_words(str(x), bad_words))
c = Counter()
data_pat = r'((?:\b\w+?\b\s*){0,3})data((?:\s*\b\w+?\b){0,3})'
for sentence in sentence_list:
    res = re.findall(data_pat, sentence, flags=re.IGNORECASE)
    words = chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res)))))
    c.update(words)

關於我們使用的正則表達式的好處是，所有復雜的部分都不關心我們使用的是什么單詞。 稍作更改，我們就可以制作格式字符串

base_pat = r'((?:\b\w+?\b\s*){{0,3}}){}((?:\s*\b\w+?\b){{0,3}})'

這樣

base_pat.format('data') == data_pat

因此，通過一些單詞列表，我們希望收集有關key_words信息

import re
from itertools import chain
from collections import Counter    

def remove_words(sentence, bad_words):
    pat = r'(?:{})'.format(r'|'.join(bad_words))
    return re.sub(pat, '', sentence, flags=re.IGNORECASE)


bad_words = ['we', 'is', 'to']

sentence_list = df.Answer.apply(lambda x: remove_words(str(x), bad_words))

key_words = ['data', 'analytics']
d = {}

base_pat = r'((?:\b\w+?\b\s*){{0,3}}){}((?:\s*\b\w+?\b){{0,3}})'
for keyword in key_words:
    key_pat = base_pat.format(keyword)
    c = Counter()
    for sentence in sentence_list:
        res = re.findall(key_pat, sentence, flags=re.IGNORECASE)
        words = chain.from_iterable(map(str.split, chain.from_iterable(map(chain, chain(res)))))
        c.update(words)
    d[keyword] = c

現在，我們有了一個字典d ，它將data和analytics類的關鍵字映射到Counter ，將不在我們的黑名單上的單詞映射到它們在相關關鍵字附近的計數。 就像是

d= {'data'      : Counter({ 'important' : 2,
                            'very'      : 3}),
    'analytics' : Counter({ 'boring'    : 5,
                            'sleep'     : 3})
   }

至於如何獲得前10個字，基本上這是Counter最擅長的事情。

key_words, _ = zip(*Counter(w for sentence in sentence_list for w in sentence.split()).most_common(10))