0

分類をテストするために、NLTK を使用してコーパスとして使用する RSS フィードのセットをダウンロードしてクリーンアップしました。しかし、度数分布を実行すると、上位の結果の多くが特殊文字のように見えます。

<FreqDist: '\x92': 494, '\x93': 300, '\x97': 159, ',\x94': 134, 'company': 124, '.\x94': 88, 'app': 84, 'Twitter': 82, 'people': 76, 'time': 73, ...>

ここで質問の提案を試し、コーパスを次のように初期化しました（エンコーディングを指定します）：

my_corpus = CategorizedPlaintextCorpusReader('C:\\rss_feeds', r'.*/.*', cat_pattern=r'(.*)/.*',encoding='iso-8859-1')
print len(my_corpus.categories())
myfreq_dist = make_training_data(my_corpus)

しかし、それは結果を次のように変更しただけです:

<FreqDist: u'\x92': 494, u'\x93': 300, u'\x97': 159, u',\x94': 134, u'company': 124, u'.\x94': 88, u'app': 84, u'Twitter': 82, u'people': 76, u'time': 73, ...>

Python コード ファイルのエンコーディングは次のように設定されます。

# -*- coding: iso-8859-1 -*-

完全を期すために、次のコードを使用してコーパス リーダーを操作してトレーニング データを作成します。

def make_training_data(rdr):
    all_freq_dist = []
    #take union of all stopwords and punctuation marks
    punctuation = set(['.', '?', '!', ',', '$', ':', ';', '(',')','-',"`",'\'','"','>>','|','."',',"'])
    full_stop_set = set(nltk.corpus.stopwords.words('english')) | punctuation
    for c in rdr.categories():
        all_category_words = []
        for f in rdr.fileids(c):
            #try to remove stop words and punctuation
            filtered_file_words = [w for w in rdr.words(fileids=[f]) if not w.lower() in full_stop_set]
            #add the words from each file to the list of words for the category
            all_category_words = all_category_words + filtered_file_words
        list_cat_fd = FreqDist(all_category_words), c
        print list_cat_fd
        all_freq_dist.append(list_cat_fd)
    return all_freq_dist

ファイル自体を Notepad++ で開くと、ANSI でエンコードされていると表示されます。

理想的には、頻度分布を生成する前に単語リストから特殊文字と句読点を削除したいと考えています。どんな助けでも大歓迎です。

4

1 に答える 1

1

現時点で最も簡単な解決策は、頻度分布を生成する前に、完全なストップ セットに別の文字セット (unicode_chars) を追加して削除することです。

punctuation = set(['.', '?', '!', ',', '$', ':', ';', '(',')','-',"`",'\'','"','>>','|','."',',"'])
other_words = set([line.strip() for line in codecs.open('stopwords.txt',encoding='utf8')])
unicode_chars = set([u',\u201d',u'\u2019',u'\u2014',u'\u201c',u'.\u201d',u'\ufffd', u',\ufffd', u'.\ufffd'])
full_stop_set = set(nltk.corpus.stopwords.words('english')) | punctuation | other_words | unicode_chars

そして、前と同じようにループします:

filtered_file_words = [w for w in rdr.words(fileids=[f]) if not w.lower() in full_stop_set]

これは最もきれいではないかもしれませんが、度数分布で奇妙な文字が考慮されないようにします。

于 2013-09-27T05:20:07.047 に答える