在 sklearn 管道中使用 NLTK 进行优雅的文本预处理
作者：互联网
使用大量组件架构快速启动您的 NLP 代码
典型的 NLP 预测管道从引入文本数据开始。来自不同来源的文本数据具有不同的特征，因此在对其应用任何模型之前需要进行一定量的预处理。
在本文中，我们将首先介绍预处理的原因，并在此过程中介绍不同类型的预处理。然后，我们将介绍各种文本清理和预处理技术以及python代码。出于教学目的，本文中提供的所有代码片段都按其相应的类别进行分组。由于库的特殊性，预处理步骤中存在固有的顺序依赖关系，因此请不要忘记参考本文中有关建议执行顺序的部分，以免遭受大量痛苦和错误。
虽然代码片段可以在Jupyter Notebook中执行和测试，但它们的全部好处是通过将它们重构为具有统一且定义良好的API的python类（或模块）来实现的，以便在类似生产的sklearn管道中易于使用和可重用性。本着这种精神，本文以一个 sklearn 转换器结束，其中包含本文中概述的所有文本预处理技术和管道调用的示例。
为什么要进行预处理？
NLP中的所有技术，从简洁的词袋到花哨的BERT，都需要一个共同点来表示文本——词向量。虽然BERT及其花哨的表亲不需要文本预处理，尤其是在使用预训练模型时（例如，它们依赖于词组算法或其变体，从而消除了词干和词形还原等的需要），但更简单的NLP模型极大地受益于文本预处理。
从词向量的角度来看，每个词都只是一个数字向量。因此，足球这个词与足球不同。踢，踢和踢完全不同。理论上，在非常大的语料库上进行训练可以为足球/足球以及踢/踢/踢生成类似的向量表示。但是我们可以立即大大缩短词汇量，因为我们知道这些不仅仅是从我们的角度来看相似的单词，而是相同的单词。类似地，助动词（in，was as as等）连词（和自）几乎出现在每个句子中，从NLP的角度来看，对句子没有任何意义。切掉这些将减少句子/文档的矢量尺寸。
文本预处理的类型
下图捕获了文本处理技术的长（但并非详尽）非正式列表。本文仅实现带有虚线边框的绿色框中的那些。其中一些不需要介绍，而其他一些（例如实体规范化、依赖关系解析）是高级的，并且本身包含某些词汇/ML 算法。
图1.文本预处理技术（图片来自作者）
下面的表 1 总结了受这些预处理影响的变化。由于特定处理而导致的更改显示在“之前”和“之后”列中突出显示。“之后”列中没有突出显示，表示由于预处理，“之前”中突出显示的文本已被删除。
表 1.每种类型的文本预处理的影响
看到一切在行动
好了，理论够多了。让我们编写一些代码来让它做有用的事情。与其一次进行一类预处理，不如在实践中按顺序执行某些操作是最好的。例如，删除 html 标记（如果有）作为第一个预处理步骤，然后词形还原与小写相结合，然后进行其他清理
- 所需库
除了 numpy 和 pandas 之外，还应在 Python 3.5+ 上安装以下模块。
pip install nltk pip install beautifulsoup4 pip install contractions pip install Unidecode pip install textblob pip install pyspellchecker
2. 使用熊猫加载数据帧
import pandas as pddf = pd.read_csv(“…..”) text_col = df[“tweets”] #tweets is text column to pre-process
3. 下壳
text_col = text_col.apply(lambda x: x.lower())
4. 扩张宫缩
text_col = text_col.apply(
lambda x: " ".join([contractions.fix(expanded_word) for expanded_word in x.split()]))
5. 噪音消除
5.1 删除 html 标签
from bs4 import BeautifulSoup
text_col = text_col.apply(
lambda x: BeautifulSoup(x, 'html.parser').get_text())
5.2 删除数字
text_col = text_col.apply(lambda x: re.sub(r'\d+', '', x))
5.3 用空格替换点
有时文本包含 IP，此类句点应替换为空格。在这种情况下，请使用下面的代码。但是，如果需要将句子拆分为标记，请先将 nltk 标记化与 punkt 一起使用。它理解句号的出现并不总是意味着句子的结束（例如Mrs.夫人），因此会标记化。