Python 文本清洗和預處理的 15 項技術
文本清洗和預處理是自然語言處理（NLP）中的重要步驟。無論你是處理社交媒體數據、新聞文章還是用戶評論，都需要先對文本進行清洗和預處理，以確保后續的分析或建模能夠順利進行。本文將詳細介紹15項Python文本清洗和預處理技術，并通過實際代碼示例來幫助你更好地理解和應用這些技術。
1. 去除空白字符
空白字符包括空格、制表符、換行符等，這些字符通常不會影響文本內容的意義，但會增加數據的復雜性。使用 strip() 和 replace() 方法可以輕松去除這些字符。
text = " Hello, World! \n"
clean_text = text.strip() # 去除首尾空白字符
print(clean_text) # 輸出: Hello, World!
text_with_tabs = "Hello\tWorld!"
clean_text = text_with_tabs.replace("\t", " ") # 將制表符替換為空格
print(clean_text) # 輸出: Hello World!2. 轉換為小寫
將所有文本轉換為小寫可以避免因大小寫不同而引起的不一致問題。
text = "Hello, World!"
lower_text = text.lower()
print(lower_text) # 輸出: hello, world!3. 去除標點符號
標點符號通常不會對文本的語義產生實質性的影響，但在某些情況下（如情感分析）可能會有影響。使用 string 模塊中的 punctuation 可以輕松去除標點符號。
import string
text = "Hello, World!"
clean_text = text.translate(str.maketrans("", "", string.punctuation))
print(clean_text) # 輸出: Hello World4. 分詞
分詞是將文本分割成單詞或短語的過程。使用 nltk 庫的 word_tokenize 方法可以實現這一點。
import nltk
from nltk.tokenize import word_tokenize
nltk.download('punkt')
text = "Hello, World! This is a test."
tokens = word_tokenize(text)
print(tokens) # 輸出: ['Hello', ',', 'World', '!', 'This', 'is', 'a', 'test', '.']5. 去除停用詞
停用詞是那些在文本中頻繁出現但對語義貢獻不大的詞匯，如“the”、“is”等。使用 nltk 庫的 stopwords 模塊可以去除這些詞。
from nltk.corpus import stopwords
nltk.download('stopwords')
stop_words = set(stopwords.words('english'))
tokens = ['Hello', 'World', 'This', 'is', 'a', 'test']
filtered_tokens = [token for token in tokens if token not in stop_words]
print(filtered_tokens) # 輸出: ['Hello', 'World', 'test']6. 詞干提取
詞干提取是將單詞還原為其基本形式的過程。使用 nltk 庫的 PorterStemmer 可以實現這一點。
from nltk.stem import PorterStemmer
stemmer = PorterStemmer()
words = ['running', 'jumps', 'easily']
stemmed_words = [stemmer.stem(word) for word in words]
print(stemmed_words) # 輸出: ['run', 'jump', 'easili']7. 詞形還原
詞形還原是將單詞還原為其詞典形式的過程。使用 nltk 庫的 WordNetLemmatizer 可以實現這一點。
from nltk.stem import WordNetLemmatizer
nltk.download('wordnet')
lemmatizer = WordNetLemmatizer()
words = ['running', 'jumps', 'easily']
lemmatized_words = [lemmatizer.lemmatize(word) for word in words]
print(lemmatized_words) # 輸出: ['running', 'jump', 'easily']8. 去除數字
數字通常不會對文本的語義產生實質性的影響。使用正則表達式可以輕松去除數字。
import re
text = "Hello, World! 123"
clean_text = re.sub(r'\d+', '', text)
print(clean_text) # 輸出: Hello, World! 9. 去除特殊字符
特殊字符如 @、#、$ 等通常不會對文本的語義產生實質性的影響。使用正則表達式可以輕松去除這些字符。
text = "Hello, @World! #Python $123"
clean_text = re.sub(r'[^\w\s]', '', text)
print(clean_text) # 輸出: Hello World Python 12310. 去除 HTML 標簽
如果文本來自網頁，可能包含 HTML 標簽。使用 BeautifulSoup 庫可以輕松去除這些標簽。
from bs4 import BeautifulSoup
html_text = "<html><body><h1>Hello, World!</h1></body></html>"
soup = BeautifulSoup(html_text, 'html.parser')
clean_text = soup.get_text()
print(clean_text) # 輸出: Hello, World!11. 去除 URL
URL 通常不會對文本的語義產生實質性的影響。使用正則表達式可以輕松去除 URL。
text = "Check out this link: https://example.com"
clean_text = re.sub(r'http\S+|www.\S+', '', text)
print(clean_text) # 輸出: Check out this link: 12. 去除重復單詞
重復單詞可能會增加文本的復雜性。使用集合可以輕松去除重復單詞。
tokens = ['Hello', 'World', 'Hello', 'Python', 'Python']
unique_tokens = list(set(tokens))
print(unique_tokens) # 輸出: ['Hello', 'Python', 'World']13. 去除短詞
短詞通常不會對文本的語義產生實質性的影響。可以設置一個閾值來去除長度小于該閾值的單詞。
tokens = ['Hello', 'World', 'a', 'is', 'Python']
min_length = 3
filtered_tokens = [token for token in tokens if len(token) >= min_length]
print(filtered_tokens) # 輸出: ['Hello', 'World', 'Python']14. 去除罕見詞
罕見詞可能會增加文本的復雜性。可以設置一個頻率閾值來去除出現次數少于該閾值的單詞。
from collections import Counter
tokens = ['Hello', 'World', 'Hello', 'Python', 'Python', 'test', 'test', 'test']
word_counts = Counter(tokens)
min_frequency = 2
filtered_tokens = [token for token in tokens if word_counts[token] >= min_frequency]
print(filtered_tokens) # 輸出: ['Hello', 'Hello', 'Python', 'Python', 'test', 'test', 'test']15. 使用正則表達式進行復雜清洗
正則表達式是一種強大的工具，可以用于復雜的文本清洗任務。例如，去除特定模式的字符串。
text = "Hello, World! 123-456-7890"
clean_text = re.sub(r'\d{3}-\d{3}-\d{4}', 'PHONE', text)
print(clean_text) # 輸出: Hello, World! PHONE實戰案例：清洗社交媒體評論
假設你有一個包含社交媒體評論的數據集，需要對其進行清洗和預處理。我們將綜合運用上述技術來完成這個任務。
import pandas as pd
import re
import string
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from bs4 import BeautifulSoup
# 下載必要的NLTK資源
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')
# 示例數據
data = {
'comment': [
"Check out this link: https://example.com",
"Hello, @World! #Python $123",
"<html><body><h1>Hello, World!</h1></body></html>",
"Running jumps easily 123-456-7890"
]
}
df = pd.DataFrame(data)
def clean_text(text):
# 去除HTML標簽
text = BeautifulSoup(text, 'html.parser').get_text()
# 去除URL
text = re.sub(r'http\S+|www.\S+', '', text)
# 去除特殊字符
text = re.sub(r'[^\w\s]', '', text)
# 去除數字
text = re.sub(r'\d+', '', text)
# 轉換為小寫
text = text.lower()
# 分詞
tokens = word_tokenize(text)
# 去除停用詞
stop_words = set(stopwords.words('english'))
tokens = [token for token in tokens if token not in stop_words]
# 詞形還原
lemmatizer = WordNetLemmatizer()
tokens = [lemmatizer.lemmatize(token) for token in tokens]
# 去除短詞
tokens = [token for token in tokens if len(token) >= 3]
# 去除罕見詞
word_counts = Counter(tokens)
min_frequency = 2
tokens = [token for token in tokens if word_counts[token] >= min_frequency]
return ' '.join(tokens)
# 應用清洗函數
df['cleaned_comment'] = df['comment'].apply(clean_text)
print(df)總結
本文詳細介紹了15項Python文本清洗和預處理技術，包括去除空白字符、轉換為小寫、去除標點符號、分詞、去除停用詞、詞干提取、詞形還原、去除數字、去除特殊字符、去除HTML標簽、去除URL、去除重復單詞、去除短詞、去除罕見詞以及使用正則表達式進行復雜清洗。通過實際代碼示例，我們展示了如何應用這些技術來清洗和預處理文本數據。最后，我們通過一個實戰案例，綜合運用這些技術對社交媒體評論進行了清洗和預處理。
