Ошибка WordNetlemmatizer - все алфавиты лемматизированы

Я пытаюсь лемматизировать свой набор данных для анализа настроений. Что мне делать, чтобы получить ожидаемый результат, а не текущий результат? Входной файл представляет собой CSV-файл, хранящийся как объект DataFrame.

dataset = pd.read_csv('xyz.csv')

Вот мой код

from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
list1_ = []
for file_ in dataset:
    result1 = dataset['Content'].apply(lambda x: [lemmatizer.lemmatize(y) for y in x])
    list1_.append(result1)
dataset = pd.concat(list1_, ignore_index=True)

Ожидал

>> lemmatizer.lemmatize('cats')
>> [cat]

Токовый выход

>> lemmatizer.lemmatize('cats')
>> [c,a,t,s]

python pandas nltk wordnet lemmatization
person ykombinator    schedule 26.06.2017    source источник

Ответы (1)


arrow_upward
2
arrow_downward

TL;DR

result1 = dataset['Content'].apply(lambda x: [lemmatizer.lemmatize(y) for y in x.split()])

Lemmatizer принимает любую строку в качестве входных данных.

Если столбцы dataset['Content'] являются строками, итерация по строке будет итерацией по символам, а не по «словам», например.

>>> from nltk.stem import WordNetLemmatizer
>>> wnl = WordNetLemmatizer()
>>> x = 'this is a foo bar sentence, that is of type str'
>>> [wnl.lemmatize(ch) for ch in x]
['t', 'h', 'i', 's', ' ', 'i', 's', ' ', 'a', ' ', 'f', 'o', 'o', ' ', 'b', 'a', 'r', ' ', 's', 'e', 'n', 't', 'e', 'n', 'c', 'e', ',', ' ', 't', 'h', 'a', 't', ' ', 'i', 's', ' ', 'o', 'f', ' ', 't', 'y', 'p', 'e', ' ', 's', 't', 'r']

Таким образом, вам нужно будет сначала токенизировать строку предложения, например:

>>> from nltk import word_tokenize
>>> [wnl.lemmatize(word) for word in x.split()]
['this', 'is', 'a', 'foo', 'bar', 'sentence,', 'that', 'is', 'of', 'type', 'str']
>>> [wnl.lemmatize(ch) for ch in word_tokenize(x)]
['this', 'is', 'a', 'foo', 'bar', 'sentence', ',', 'that', 'is', 'of', 'type', 'str']

другой напр.

>>> from nltk import word_tokenize
>>> x = 'the geese ran through the parks'
>>> [wnl.lemmatize(word) for word in x.split()]
['the', u'goose', 'ran', 'through', 'the', u'park']
>>> [wnl.lemmatize(ch) for ch in word_tokenize(x)]
['the', u'goose', 'ran', 'through', 'the', u'park']

Но чтобы получить более точную лемматизацию, вы должны токенизировать слово предложения и пометить его pos, см. https://github.com/alvations/earthy/blob/master/FAQ.md#how-to-use-default-nltk-functions-in-earthy

person alvas    schedule 26.06.2017