мне нужно предварительно обработать некоторые текстовые документы, так что я могу применить методы классификации, такие как ТСМ и т.д., и другие методы темы моделирования как латентного дирихле выделения и т.д.Лучшая библиотека предварительной обработки или реализация в python?
Выработать немного в предварительной обработке, мне нужно, чтобы удалить стоп-слова, экстракт существительные и ключевые слова и выполняются. Код, который я использовал для этой цели:
#--------------------------------------------------------------------------
#Extracting nouns
#--------------------------------------------------------------------------
for i in range (0,len(a)) :
x=a[i]
text=nltk.pos_tag(nltk.Text(nltk.word_tokenize(x)))
for noun in text:
if(noun[1]=="NN" or noun[1]=="NNS"):
temp+=noun[0]
temp+=' '
documents.append(temp)
print documents
#--------------------------------------------------------------------------
#remove unnecessary words and tags
#--------------------------------------------------------------------------
texts = [[word for word in document.lower().split() if word not in stoplist]for document in documents]
allTokens = sum(texts, [])
tokensOnce = set(word for word in set(allTokens) if allTokens.count(word)== 0)
texts = [[word for word in text if word not in tokensOnce]for text in texts]
print texts
#--------------------------------------------------------------------------
#Stemming
#--------------------------------------------------------------------------
for i in texts:
for j in range (0,len(i)):
k=porter.stem(i[j])
i[j]=k
print texts
проблема с кодом я упоминал выше
- Модуль NLTK используется для извлечения существительных и ключевых слов не хватает многих слов. Например, предварительная обработка была выполнена на некоторых документах, а имена, такие как «Sachin», не были признаны в качестве ключевых слов и пропущены после предварительной обработки.
- Слова не были должным образом вставлены. Существует либо слишком много истолкований (сеть и сетевое взаимодействие с сетью), и в некоторых случаях существительные также возникают.
Есть ли какой-либо лучший модуль для необходимых функций или есть ли лучшая реализация того же модуля? Просьба помочь