我正在提取的积极,消极和中性关键字在Python。在那里我的评论里有10000条评论备注.txt文件(编码UTF-8)。我想导入文本文件,读取单独的注释行,并从c2列中提到的注释中提取单词(标记化),并将其存储在下一个相邻列中。我用Python编写了一个调用get_keywords函数的小程序,创建了get_keywords()函数,但遇到的问题是将数据帧的每一行作为参数传递,并使用迭代来提供关键字并将其存储在相邻列中。在
代码没有为df dataframe中的所有已处理字提供预期的列“tokens”。在
import nltk
import pandas as pd
import re
import string
from nltk import sent_tokenize, word_tokenize
from nltk.corpus import stopwords
from nltk.stem.porter import PorterStemmer
remarks = pd.read_csv('/Users/ZKDN0YU/Desktop/comments/New
comments/ccomments.txt')
df = pd.DataFrame(remarks, columns= ['c2'])
df.head(50)
df.tail(50)
filename = 'ccomments.txt'
file = open(filename, 'rt', encoding="utf-8")
text = file.read()
file.close()
def get_keywords(row):
# split into tokens by white space
tokens = text.split(str(row))
# prepare regex for char filtering
re_punc = re.compile('[%s]' % re.escape(string.punctuation))
# remove punctuation from each word
tokens = [re_punc.sub('', w) for w in tokens]
# remove remaining tokens that are not alphabetic
tokens = [word for word in tokens if word.isalpha()]
# filter out stop words
stop_words = set(stopwords.words('english'))
tokens = [w for w in tokens if not w in stop_words]
# stemming of words
porter = PorterStemmer()
stemmed = [porter.stem(word) for word in tokens]
# filter out short tokens
tokens = [word for word in tokens if len(word) > 1]
return tokens
df['tokens'] = df.c2.apply(lambda row: get_keywords(row['c2']),
axis=1)
for index, row in df.iterrows():
print(index, row['c2'],"tokens : {}".format(row['tokens']))
期望输出:-AComments_修改的文件,包含列1)index,2)c2(Comments)和3)标记化的单词,用于包含10000条注释的数据帧的所有行。在
假设您的文本文件
ccomments.txt
没有任何标题(即数据从第一行开始),并且每行只有一列数据(即文本文件只有注释),下面的代码将返回一个单词列表。在相关问题 更多 >
编程相关推荐