Sto utilizzando una combinazione di NLTK e's CountVectorizer
per le parole di derivazione e tokenizzazione.Combinazione di testo e rimozione della punteggiatura in NLTK e scikit-learn
Di seguito è riportato un esempio di utilizzo pianura del CountVectorizer
:
from sklearn.feature_extraction.text import CountVectorizer
vocab = ['The swimmer likes swimming so he swims.']
vec = CountVectorizer().fit(vocab)
sentence1 = vec.transform(['The swimmer likes swimming.'])
sentence2 = vec.transform(['The swimmer swims.'])
print('Vocabulary: %s' %vec.get_feature_names())
print('Sentence 1: %s' %sentence1.toarray())
print('Sentence 2: %s' %sentence2.toarray())
che stamperà
Vocabulary: ['he', 'likes', 'so', 'swimmer', 'swimming', 'swims', 'the']
Sentence 1: [[0 1 0 1 1 0 1]]
Sentence 2: [[0 0 0 1 0 1 1]]
Ora, diciamo che voglio rimuovere parole di stop e arginare le parole. Una possibilità sarebbe quella di fare in questo modo:
from nltk import word_tokenize
from nltk.stem.porter import PorterStemmer
#######
# based on http://www.cs.duke.edu/courses/spring14/compsci290/assignments/lab02.html
stemmer = PorterStemmer()
def stem_tokens(tokens, stemmer):
stemmed = []
for item in tokens:
stemmed.append(stemmer.stem(item))
return stemmed
def tokenize(text):
tokens = nltk.word_tokenize(text)
stems = stem_tokens(tokens, stemmer)
return stems
########
vect = CountVectorizer(tokenizer=tokenize, stop_words='english')
vect.fit(vocab)
sentence1 = vect.transform(['The swimmer likes swimming.'])
sentence2 = vect.transform(['The swimmer swims.'])
print('Vocabulary: %s' %vect.get_feature_names())
print('Sentence 1: %s' %sentence1.toarray())
print('Sentence 2: %s' %sentence2.toarray())
che stampa:
Vocabulary: ['.', 'like', 'swim', 'swimmer']
Sentence 1: [[1 1 1 1]]
Sentence 2: [[1 0 1 1]]
Ma come potrei meglio sbarazzarsi dei caratteri di punteggiatura in questa seconda versione?
Semplice ma efficace. Grazie! – Sebastian
Si noti che il secondo non rileverà '...' o altri simboli di punteggiatura multi-carattere. –
@FredFoo e altri: come valuti GENSIM e Scikit per le parole chiave estratte piuttosto i documenti semplici? Puoi rispondermi? http://stackoverflow.com/questions/40436110/rake-with-gensim –