python中文本清理/处理的管道

Question

我对 python 环境（jupyter notebook）很陌生，我正在尝试处理相对庞大的文本数据。我想通过应用以下步骤并按相同顺序来处理它：

去除空格、小写、词干、去除标点符号但保留词内破折号或连字符、去除停用词、去除符号、去除空格、

我希望我可以得到一个可以执行任务的函数，而不是单独执行它们，是否有任何单个库和/或函数可以提供帮助？如果不是，那么定义一个函数来执行它们的最简单方法是什么？

Answer 1

正如评论中提到的，可以使用 Python 中多个库的组合来完成。一个可以执行所有操作的函数可能如下所示：

import nltk
import re
import string
from nltk.tokenize import word_tokenize, sent_tokenize
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer # or LancasterStemmer, RegexpStemmer, SnowballStemmer

default_stemmer = PorterStemmer()
default_stopwords = stopwords.words('english') # or any other list of your choice
def clean_text(text, ):

    def tokenize_text(text):
        return [w for s in sent_tokenize(text) for w in word_tokenize(s)]

    def remove_special_characters(text, characters=string.punctuation.replace('-', '')):
        tokens = tokenize_text(text)
        pattern = re.compile('[{}]'.format(re.escape(characters)))
        return ' '.join(filter(None, [pattern.sub('', t) for t in tokens]))

    def stem_text(text, stemmer=default_stemmer):
        tokens = tokenize_text(text)
        return ' '.join([stemmer.stem(t) for t in tokens])

    def remove_stopwords(text, stop_words=default_stopwords):
        tokens = [w for w in tokenize_text(text) if w not in stop_words]
        return ' '.join(tokens)

    text = text.strip(' ') # strip whitespaces
    text = text.lower() # lowercase
    text = stem_text(text) # stemming
    text = remove_special_characters(text) # remove punctuation and symbols
    text = remove_stopwords(text) # remove stopwords
    #text.strip(' ') # strip whitespaces again?

    return text

使用（Python2.7，但也可以在 Python3 中使用）进行测试：

text = '  Test text !@$%$(%)^   just words and word-word'
clean_text(text)

结果是：

u'test text word word-word'