python - 使用 spaCy 去除标点符号；属性错误

Question

目前我正在使用以下代码使用 spaCy 对某些文本数据进行词形还原和计算 TF-IDF 值:

lemma = []

for doc in nlp.pipe(df['col'].astype('unicode').values, batch_size=9844,
                        n_threads=3):
    if doc.is_parsed:
        lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct | n.lemma_ != "-PRON-"])
    else:
        lemma.append(None)

df['lemma_col'] = lemma

vect = sklearn.feature_extraction.text.TfidfVectorizer()
lemmas = df['lemma_col'].apply(lambda x: ' '.join(x))
vect = sklearn.feature_extraction.text.TfidfVectorizer()
features = vect.fit_transform(lemmas)

feature_names = vect.get_feature_names()
dense = features.todense()
denselist = dense.tolist()

df = pd.DataFrame(denselist, columns=feature_names)
df = pd.DataFrame(denselist, columns=feature_names)
lemmas = pd.concat([lemmas, df])
df= pd.concat([df, lemmas])

我需要删除专有名词、标点符号和停用词，但在我当前的代码中执行此操作时遇到了一些问题。我读过一些 documentation和 other resources ，但现在遇到错误:

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-21-e924639f7822> in <module>()
      7     if doc.is_parsed:
      8         tokens.append([n.text for n in doc])
----> 9         lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct or n.lemma_ != "-PRON-"])
     10         pos.append([n.pos_ for n in doc])
     11     else:

<ipython-input-21-e924639f7822> in <listcomp>(.0)
      7     if doc.is_parsed:
      8         tokens.append([n.text for n in doc])
----> 9         lemma.append([n.lemma_ for n in doc if not n.lemma_.is_punct or n.lemma_ != "-PRON-"])
     10         pos.append([n.pos_ for n in doc])
     11     else:

AttributeError: 'str' object has no attribute 'is_punct'

有没有一种更简单的方法可以将这些内容从文本中删除，而无需彻底改变我的方法？

完整代码可用here .

Answer 1

据我所知，这里的主要问题实际上很简单:n.lemma_ 返回一个字符串，而不是 Token 对象。所以它没有 is_punct 属性。我认为您在这里寻找的是 n.is_punct(token 是否为标点符号)。

如果您想更优雅地执行此操作，请查看 spaCy 的新 custom processing pipeline components (需要 v2.0+)。这使您可以将逻辑包装在一个函数中，当您在文本上调用 nlp() 时该函数会自动运行。您甚至可以更进一步，添加 custom attribute到您的 Doc – 例如，doc._.my_stripped_doc 或 doc._.pd_columns 或其他内容。这里的优势是您可以继续使用 spaCy 的高性能内置数据结构，如 Doc(及其 View Token 和 Span)作为您的应用程序的“单一事实来源”。这样，不会丢失任何信息，您将始终保留对原始文档的引用——这对于调试也非常有用。