1、知识点
"""
安装模块：bs4 nltk gensim
nltk:处理英文
1、安装
2、nltk.download() 下载相应的模块 英文数据处理：
1、去掉html标签 example = BeautifulSoup(df['review'][1000],'html.parser').get_text()
2、移除标点 example_letter = re.sub(r'[^a-zA-Z]',' ',example)
3、切分成词/token words = example_letter.lower().split()
4、去掉停用词 例如：the a an it's
stopwords = {}.fromkeys([line.rstrip() for line in open('./stopwords.txt')])
words_nostop = [w for w in words if w not in stopwords]
5、重组为新的句子 词向量解决方案：
1、one-hot编码
缺点：这种方案浪费存储空间还是次要的，更重要的是词与词（向量与向量）之间没有相关性，计算机完全无法进行哪怕一丁点的理解和处理
2、基于奇异值分解（SVD）的方法
步骤：a)第一步是通过大量已有文档统计形成词空间矩阵X，有两种办法。
一种是统计出某篇文档中各个词出现的次数，假设词的数目是W、文档篇数是M，则此时X的维度是W*M；
第二种方法是针对某个特定词，统计其前后文中其它词的出现频次，从而形成W*W的X矩阵。
b)第二步是针对X矩阵进行SVD分解，得到特征值，根据需要截取前k个特征值及对应的前k个特征向量，
那么前k个特征向量构成的矩阵维度是W*k，这就构成了所有W个词的k维表示向量
缺点：
1、需要维护一个极大的词空间稀疏矩阵X，而且随着新词的出现还会经常发生变化；
2、SVD运算量大，而且每增减一个词或文档之后，都需要重新计算
3、构建一个word2vec模型：通过大量文档迭代学习其中的参数及已有词的编码结果，这样每新来一篇文档都不用修改已有模型，只需要再次迭代计算参数和词向量即可
举例：我爱python和java
a)CBOW算法: 输入:我爱， 目标值：python和java
CBOW算法使用上下文窗口内词向量作为输入，将这些向量求和（或取均值）后，求得与输出词空间的相关性分布，
进而使用softmax函数得到在整个输出词空间上的命中概率，与目标词one-hot编码的交叉熵即为loss值，
通过loss针对输入和输出词向量的梯度，即可使用梯度下降（gradient descent）法得到一次针对输入和输出词向量的迭代调整。 b)Skip-Gram算法: 输入:python和java， 目标值：我爱
Skip-Gram算法使用目标词向量作为输入，求得其与输出词空间的相关性分布，
进而使用softmax函数得到在整个输出词空间上的命中概率，与one-hot编码的上下文词逐一计算交叉熵，
求和后即为loss值，通过loss针对输入和输出词向量的梯度，
即可使用梯度下降（gradient descent）法得到一次针对输入和输出词向量的迭代调整
"""
2、中文数据清洗(使用停用词)
import os
import re
import numpy as np
import pandas as pd
from bs4 import BeautifulSoup
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
import nltk
from nltk.corpus import stopwords
import jieba
def clean_chineses_text(text):
"""
中文数据清洗 stopwords_chineses.txt存放在博客园文件中
:param text:
:return:
"""
text = BeautifulSoup(text, 'html.parser').get_text() #去掉html标签
text =jieba.lcut(text);
stopwords = {}.fromkeys([line.rstrip() for line in open('./stopwords_chineses.txt')]) #加载停用词(中文)
eng_stopwords = set(stopwords) #去掉重复的词
words = [w for w in text if w not in eng_stopwords] #去除文本中的停用词
return ' '.join(words)
3、英文数据清洗(使用停用词)
import os
import re
import numpy as np
import pandas as pd
from bs4 import BeautifulSoup
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
import nltk
from nltk.corpus import stopwords
import jieba
def clean_english_text(text):
"""
英文数据清洗 stopwords_english.txt存放在博客园文件中
:param text:
:return:
"""
text = BeautifulSoup(text, 'html.parser').get_text() #去掉html标签
text = re.sub(r'[^a-zA-Z]', ' ', text) #只保留英文字母
words = text.lower().split() #全部小写
stopwords = {}.fromkeys([line.rstrip() for line in open('./stopwords_english.txt')]) #加载停用词(中文)
eng_stopwords = set(stopwords) #去掉重复的词
words = [w for w in words if w not in eng_stopwords] #去除文本中的停用词
print(words)
return ' '.join(words) if __name__ == '__main__':
text = "ni hao ma ,hello ! my name is haha'. ,<br/> "
a = clean_english_text(text)
print(a) test1 = "你在干嘛啊，怎么不回复我消息!,对了“你妈在找你”。"
b = clean_chineses_text(test1)
print(b)
4、nltk的停用词进行数据清洗
def clean_english_text_from_nltk(text):
"""
使用nltk的停用词对英文数据进行清洗
:param text:
:return:
"""
text = BeautifulSoup(text,'html.parser').get_text() #去掉html标签
text = re.sub(r'[^a-zA-Z]',' ',text) #除去标点符号
words = text.lower().split() #转为小写并切分
stopwords = nltk.corpus.stopwords.words('english') #使用nltk的停用词
wordList =[word for word in words if word not in stopwords]
return ' '.join(wordList)