上一期咱们介绍了应用 Python 数据荡涤的相干办法,本篇文章咱们介绍 数据标准化 的相干办法。
每个人都会遇到一些款式设计不够人性化的网页,比方“请输出你的电话号码,号码格局为 xxx-xxxx-xxxx”。
作为一名优良的程序员,你可能会问:”为什么不主动对输出的数据进行荡涤,去掉非数字内容,而后主动把数据加上分隔符呢?“数据标准化过程要确保荡涤后的数据在语言学上是等价的,比方电话号码尽管显示成”134-1234-5678“和”134-12345678“两种模式,然而理论号码是一样的。
还是用上一期的 n-gram 示例,让咱们在下面减少一些数据标准化的特色。
上期文章内容的显著问题,就是输入后果中蕴含太多反复的 2-gram 序列。程序把每个 2-gram 都退出了列表,没有统计过序列的频率。把握 2-gram 序列的频率,而不只是晓得某个序列是否存在,这有助于比照不同的数据荡涤和数据标准化算法的成果。如果数据标准化胜利了,那么惟一的 n-gram 序列数量就会缩小,而 n-gram 序列的总数(任何一个 n-gram 序列和与之反复的序列都被看成一个 n-gram 序列)不变,也就是说,同样数量的 n-gram 序列,通过去重之后“容量(bucket)”会缩小。
不过 Python 的字典是无序的,不能像数组一样间接对 n-gram 序列频率进行排序。字典外部元素的地位是不固定的,排序之后再次应用时还是发生变化,除非你把排序过的字典里的值复制到其余类型中进行排序。在 Python 中 collections
库外面有一个 OrderedDict
能够解决这个问题:
import re
import string
from collections import OrderedDict
from utils import connection_util
class DataCleaning(object):
def __init__(self):
self._target_url = 'https://en.wikipedia.org/wiki/python_(programming_language)'
self._init_connection = connection_util.ProcessConnection()
def getNgrams(self, input, n):
input = self.clean_input(input)
output = dict()
for i in range(len(input) - n + 1):
newNGram = " ".join(input[i:i + n])
if newNGram in output:
output[newNGram] += 1
else:
output[newNGram] = 1
return output
@staticmethod
def clean_input(input):
input = re.sub('\n+', " ", input)
input = re.sub('\[[0-9]*\]', "", input)
input = re.sub('+', " ", input)
input = bytes(input, "UTF-8")
input = input.decode("ascii", "ignore")
input = input.split(' ')
clean_input = []
for item in input:
# string.punctuation 获取所有的标点符号
item = item.strip(string.punctuation)
if len(item) > 1 or (item.lower() == 'a' or item.lower() == 'i'):
clean_input.append(item)
return clean_input
def get_result(self):
# 连贯指标网站,获取内容
get_content = self._init_connection.init_connection(self._target_url)
if get_content:
content = get_content.find("div", {"id": "mw-content-text"}).get_text()
ngrams = self.getNgrams(content, 2)
ngrams = OrderedDict(sorted(ngrams.items(), key=lambda t: t[1], reverse=True))
print(ngrams)
print("2-grams count is:" + str(len(ngrams)))
if __name__ == '__main__':
DataCleaning().get_result()
这咱们应用了 Python 的排序函数(https://docs.python.org/zh-cn/3/howto/sorting.html)把序列频率转换成 OrderedDict
对象,并依照频率值排序。后果如下:
('Python Software', 37), ('2021 Retrieved', 36), ('Foundation Archived', 35), ('on June', 34), ('of Python', 28), ('in the', 25), ('such as', 23)
去掉语气词,以及连接词之后频率最高的是“Software Foundation”和“Python Software”。然而仔细观察后果会发现会有大小写字母的影响,“Python Software”有三次是“Python software”的模式,同样,“Van Rossum”和“van Rossum”也是作为两个序列来统计的。
因而,咱们减少一行代码:
input = input.upper()
到 clean_input()
函数里,这样就解决了下面的问题,同时缩小了反复的 2-gram 序列。
除了这些,还须要在考虑一下,本人打算为数据标准化的进一步深刻再投入多少计算力。很多单词在不同的环境里会应用不同的拼写模式,其实都是等价的,然而为了解决这种等价关系,你须要对每个单词进行查看,判断是否和其余单词有等价关系。
比方,“Python 1st”和“Python first”都呈现在 2-gram 序列外面。然而,如果减少一条规定:“让所有‘first’、‘secode’、‘third’……与 1st、2nd、3rd……等价”,那么每个单词就须要额定减少十几次查看。
同理,连字符应用不统一(像“co-ordinated”和“coordinated”)、单词拼写错误以及其余语病(incongruities), 都可能对 n-gram 序列的分组后果造成影响,如果语病很重大的话,很可能彻底打乱输入后果。
对连字符单词的一个解决办法是,首先把连字符去掉,而后把单词当作一个字符串,这可能须要在程序中减少一步操作。然而,这样做也可能把带连字符的短语(这种很常见,比方:“just-in-time”、“object-oriented”等)解决成一个字符串。要是换一种做法,把连字符换成空格可能会更好一些。然而就得筹备见到“co ordinated”和“ordinated attack”之类的 2-gram 序列了!
总结
这篇文章次要解说了在英文中对于数据标准化的相干内容,首先是对单词呈现的频率进行排序,之后对一些大小写进行转换,放大 2-gram 序列的反复内容,之后对一些连字符以及一些语法上的习惯进行解决。
解决实现后的内容咱们能够制作一个 词云,如下:
以上就是这篇文章的全部内容。
源代码曾经托管于 Github 当中,地址:https://github.com/sycct/Scra…
如果有任何问题,欢送大家 issue。