NemtyrevAI "Data Science. Практика"

Очистка и преобразование текстовых данных

Примера кода на языке Python для очистки и преобразования текстовых данных:

Пример 1: Удаление знаков препинания и приведение к нижнему регистру

```python

import string

def clean_text(text):

# Удаление знаков препинания

text = text.translate(str.maketrans('', '', string.punctuation))

# Приведение к нижнему регистру

text = text.lower()

return text

# Пример использования функции очистки текста

text = "Это пример текста! Он содержит знаки препинания."

cleaned_text = clean_text(text)

print(cleaned_text)

```

В данном примере функция `clean_text` принимает текст в качестве аргумента и использует метод `translate` для удаления знаков препинания с помощью модуля `string`. Затем текст приводится к нижнему регистру с помощью метода `lower()`. Функция возвращает очищенный текст. Запустите код, чтобы увидеть результат.

Пример 2: Токенизация текста

```python

from nltk.tokenize import word_tokenize

def tokenize_text(text):

tokens = word_tokenize(text)

return tokens

# Пример использования функции токенизации текста

text = "Это пример предложения."

tokens = tokenize_text(text)

print(tokens)

```

В этом примере используется библиотека NLTK (Natural Language Toolkit) для токенизации текста. Функция `tokenize_text` принимает текст в качестве аргумента и использует метод `word_tokenize` для разделения текста на отдельные слова (токены). Функция возвращает список токенов. Запустите код, чтобы увидеть результат.

Пример 3: Удаление стоп-слов

```python

from nltk.corpus import stopwords

def remove_stopwords(tokens):

stop_words = set(stopwords.words('russian')) # Замените 'russian' на нужный язык

filtered_tokens = [token for token in tokens if token not in stop_words]

return filtered_tokens

# Пример использования функции удаления стоп-слов

tokens = ['это', 'пример', 'текста', 'со', 'стоп-словами']

filtered_tokens = remove_stopwords(tokens)

print(filtered_tokens)

```

В этом примере используется библиотека NLTK для удаления стоп-слов из списка токенов. Функция `remove_stopwords` принимает список токенов в качестве аргумента и использует набор стоп-слов для определенного языка (в примере использован русский язык). Затем функция фильтрует токены, исключая стоп-слова. Функция возвращает отфильтрованный список токенов. Запустите код, чтобы увидеть результат.

Обратите внимание, что для использования примера 3 вам потребуется предварительно установить библиотеку NLTK и скачать соответствующие ресурсы для выбранного языка.

Анализ частот словарного запаса

Анализ частот словарного запаса является одним из самых простых и эффективных методов анализа текстовых данных. Мы можем использовать различные библиотеки Python, такие как `nltk` и `collections`, чтобы подсчитать частоту словарного запаса в текстовых данных и вывести самое часто используемые слова.

Пример кода на языке Python, который поможет вам проанализировать частоту словарного запаса:

```python

from nltk.tokenize import word_tokenize

from nltk.probability import FreqDist

def analyze_word_frequency(text):

# Токенизация текста

tokens = word_tokenize(text)

# Вычисление частоты встречаемости слов

freq_dist = FreqDist(tokens)

return freq_dist

# Пример использования функции анализа частоты словарного запаса

text = "Это пример текста. Он содержит несколько слов, и некоторые слова повторяются."

word_freq = analyze_word_frequency(text)

# Вывод наиболее часто встречающихся слов

most_common_words = word_freq.most_common(5)

for word, frequency in most_common_words:

print(f"{word}: {frequency}")

```

В этом примере используется библиотека NLTK. Функция `analyze_word_frequency` принимает текст в качестве аргумента. Сначала текст токенизируется с помощью `word_tokenize`, затем вычисляется частота встречаемости слов с использованием `FreqDist`. Функция возвращает объект `FreqDist`, который представляет собой словарь, где ключами являются слова, а значениями – их частоты встречаемости.

В примере после анализа частоты словарного запаса выводятся пять наиболее часто встречающихся слов и их частоты. Измените число `5` на нужное количество слов, которые вы хотите вывести.