参考以下文章

原文链接:https://blog.insightdatascience.com/how-to-solve-90-of-nlp-problems-a-step-by-step-guide-fda605278e4e

NLP 一般流程

收集数据、准备、检查数据

第一步：收集数据

注意：labels

• Richard:rather than spending a month foguring out an unsurpervised mathine learning problem, just label some data for a week and train a classifier.

第二步：清洗数据

原则：再好的模型也拯救不了shi一样的数据。

一、导入数据

pd.set_option("display.max_columns",None,"display.max_colwidth",200)
df = pd.read_csv("")

二、观察数据：

• df.shape
• df.info()
• df.describe().round(2).T
• df.dtypes
• df[“B”].dtype
• df.isnull()
• df[“B”].isnull
• df[“B”].unique()
• df.values
• df.columns
• df.head()
• df.tail()

三、数据清洗

• df.fillna(value = 0)
• df[“B”].fillna(df[“B”].mean())
• df[“B”] = df[“B”].map(str.strip) 清楚B字段的字符空格
• df[“B”] = df[“B”].str.lower() 大小写转换
• df[“B”].astype(“int”)更改数据格式：
• df = df.rename(columns = {“B”：“A”})更改列名
• df[“B”].frop_duplicate(keep=“last”) 删除重复出现的值
• df[“B”].replace(“sh”,“shanhai”) 数据替换]
• df = df[(True^df[“class_label”].isin([2]))

四、数据汇总

主要使用groupby 和pivote_table

• df.groupby(“city”).count() 对所有列进行数据汇总
• df.groupby(“city”)[“id”].count() 按城市对id 字段进行计数
• df.groupby([“city”,“size”])[“id”].count()
• df_inner.groupby(‘city’)[‘price’].agg([len,np.sum, np.mean])

五、文本清洗

1、去除网络标签

df["revivew"] = df.review.apply(lambda x:BeautifulSoup(x,"html.parser).get_text())

2、删除所有不相关的字符，如任何非字母、数字字符

df["text"].str.replace(r"[^A-Za-z0-9,.!'?]"，" ")

3、删除不相关的字词例如 @…

df["text"].str.replace(r"@","at")

4、将大写变为小写

df["text"].str.lower()

5、考虑整合多种拼写错误或者多种拼写的单词

6、缩写还原

df["text"]=df["text"].str.replace(r"i'm","i am")

7、分词

df["token"] = df.review.apply(nltk.word_tokenize)

8、词形还原stem

def stemmer(text):
b = [];porter = nltk.PorterStermmer()
for w in text:
a = porter.stem(w);b.append(a)
return b
df["token"] = df.token.apply(stemer)

9、词根提取 lemmer

def lemmer(text):
b = [];
porter = nltk.stem.WordNetLemmatizer()
for w in text:
a = porter.lemmatize(w);b.append(a)
return b
df["token"] = df.token.apply(lemmer)

10、去停用词

stop = stopwords.words("english")
def remove(text):
a = [w for w in text if w not in stop]
return " ".join(a)
df["token"] = df.token.apply(remove)

六、数据预处理

1、数据合并

• df_inner = pd.merge(df,df1,how=“inner”)交集
• df_lef = pd.merge(df,df1,how = “left”) 左
• df_right = pd.merge(df.df1,how=“right”)右
• df_outer = pd.merge(df,df1,how="outer) 并

2、设置索引列

• df_inner.set_index(“id”)

3、按特定列的值排序

• df_inner.sort_values(by=[“age”])

七、数据提取

1、按索引提取单行的数值 loc iloc ix

• df.loc[3]
• df.iloc[:3,:2]
• df.iloc[[0,2,5],[4,5]]
• df.reset_index()
• de.set_index("date)
• df[“B”].isin([“beijing”]) 判断北京是否在B列
• pd.DataFrame(category.str[:3]) 提取前三个字符并生成数据表

八、数据筛选

1、使用与或非配合大于小于等于对数据进行帅选并计数求和。

• df.query(‘city == [“bei jing”]’).price.sum()

九、数据统计

• 简单的数据采样： df.sample(n=3)
• 手动设置权重： weights = [0,0.1,0.2], df.sample(n=2,weights=weights)
• 采样不放回： df.sanple(n=6,replace=False)
• 数据统计描述 df.describe().round(2).T round 设置显示小数位
• 计算标准差： df[“B”].std()
• 计算协方差：df[“B”].cov(df[“A”])
• df.cov()
• 计算两个字段的相关性分析： df[“B”].corr(df[“A”])
• df.corr()

十、数据输出

df.to_excel("a.xlsx")
df.to_csv("a.csv")

第三步：找到一个好的数据表示方式

划分数据集

list_corpus = df["text"].tolist()
list_label = df["label"].tolist()
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(list_corpus,list_label,test_size=0.2,random_state=1)

一、one hot 独热编码(可视化嵌入)

from sklearn.feature_extraction.text import CountVectorizer
def cv(text):
counter = CounterVectorizer()
emb = counter.fit_trainsform(text)
return emb,counter
x_train,counter = cv(x_train)
x_test = counter.transform(text)

二、Tf-idf

from sklearn.feature_extraction.text import TfidfVectorizer
def tfidf(text):
tfidf = TfidfVectorizer()
emb = tfidf.fit_transform(text)
return emb,tfidf
x_train.counter = tfidf(x_train)
x_test = counter.transform(text)

三、word2vector

1、训练 model

import gesim
import numpy as np
from gesim.models import Word2Vec
model = Word2Vec(sentences=list_corpus,size=300,window=5,min_count=5,sample=1e-3,sg=1)
model.save("bag") # 注意：此处sentence 是分词过后的。例子：[["i","love","you"],["do","you","love","me"]]

2、将句子转化成向量

用平均的方法将句子转换成向量 再进行训练集划分

word2vector = Word2Vec.load("bag")
def average(text,size=300)
if len(text) < 1:
return np.zeros(size)
a = [word2vector[w] if w in word2vector else np.zeros(size) for w in text]
ength = len(a)
summed = np.sum(a,axis=0)
ave = np.divide(summed,length)
return ave
df["text"] = df["text"].apply(average) 注意此处的df["text"] 未分词
list_corpus = df["text"].tolist()
list_label = df["label"].tolist()
x _train,x_test,y_train,y_test = trian_test_split(list_corpus,list_label,test_size=0.2,random_state=1)

建立简单的模型

第四步：分类

此过程进行调参，参数C也就是正则化惩罚项前的系数对结果影响很多大，不同的正则项对应的优化方法不同。

from sklean.linear_model import LogisticRegression
clf = LogisticRegression(penalty="l2",C=1.0,class_weight="balanced",n_jobs=-1,random_state=1.0,solver="newton-cg")
clf.fit(x_train,y_train)
y_predict = clf.fit(x_test)

理解解释模型

第五步：检查

混淆矩阵

from sklearn.metrics import precision_score,accuracy_score,recall_score,f1_score
from sklearn.metrics import confusion_matrix
precision = precision_score(y_test,y_predic,pos_label=None,average="weighted")
accuracy = accuracy_score(y_test,y_predict)
recall = recall_score(y_test,y_predict,,pos_label=None,average="weighted")
f1 = f1_score(y_test,y_predict,pos_label,average="weighted")
cm = confusion_matrix(y_test,y_predict)

模型分析

第六步：统计词结构

TF-IDF：关键词、可视化嵌入

第七步：巧妙利用语义

将词转化为向量

使用预训练的词

句级别的表示

w2v 句嵌入

复杂性和可解释性的权衡

第八步：使用端对端的方法来巧妙利用语义

将句子作为一个词向量序列

word2vec、glove、cove