scikit-learn 文本矢量化器的正则表达式/“token_pattern”

Question

我正在使用 sklearn 使用 tf-idf Vectorizer 对象进行一些 NLP 向量化。可以使用关键字“token_pattern”构造此对象。

我想避免使用主题标签 (#foobar)、数字（以及以数字开头的字符串，即 10mg）、任何以“RT”（转发）开头的行或“已删除推文”行。

另外，我想忽略unicode。

我想保留 URL（不是“http://”）并将它们标记为可能存在于其中的任何单词（仅 [A-Za-z]+）。

我对正则表达式有一些经验，但直到现在还不需要更复杂的模式。

以下是我对所有内容的尝试……这显然不是最好的调查方法，但它确实总结了我目前对 Regex 规则的看法。

注意：searn doc here 使用字符串上的 unicode 标志显示默认的“token_pattern”，我不明白为什么......也许是单独的问题。

pat2 = r"(?im)([A-Z]+)(?<!^@)([A-Z]+)(?<!^#)([A-Z]+)(?<!^(RT))([A-Z]+)(?<!^Deleted)(?<=^(http://))([A-Z]+)"

我的崩溃：

(?im)  #Are flags for 'multi-line' and 'case insensitive'

([A-Z]+)(?<!^@) #A negative look back, match [A-Z]+ only if not preceded by 'starts with @'.

(?<=^(http://))([A-Z]+) #A positive look forward, match [A-Z]+ only if 'starts with "http://"' is present.

我觉得这不是一个优雅的解决方案，即使它被调整为工作......

TIA

更新： 原始数据示例：

如果有帮助，我正在使用 pandas 数据框来加载数据。我是 pandas 的新手，可能缺少一些基于 pandas 的解决方案。

从这些原始数据中，我只想要从文本和 URL 中提取的单词。 这个例子很糟糕...请进一步评论以帮助我更好地定义它...谢谢！

原始：

http://foxsportswisconsin.ning.com/profiles/blogs/simvastatin-20-mg-pas-cher-sur-internet-acheter-du-simvastatin-20

标记化：

[foxsportswisconsin, ning, com, profiles, blogs, simvastatin, mg, pas, cher, sur, internet, acheter, du, simvastatin]

Answer 1

tl;dr：如果你曾经写过超过 20 个字符的 regex，那么你做错了什么，但这可能是一个可以接受的 hack。如果您写了超过 50 个字符的regex，您需要立即停止。

首先让我说这绝不应该通过正则表达式解决形状或形式。

您描述的大多数步骤应该在预处理或后处理中处理。你不应该试图想出一个过滤以Deleted tweet或RT开头的东西的regex，你应该在预处理中忽略这些行。

忽略unicode?然后可能值得离开互联网，因为实际上互联网上的所有内容，以及记事本之外的所有内容都是 unicode。如果你想删除所有不能用 ascii 表示的 unicode 字符（我假设你的意思是这个？），那么编码步骤就是解决这个问题的地方：

<string>.encode('ascii', 'ignore')

就忽略http 而言，您应该将http 设置为停用词。这可以作为另一个参数传递给您正在使用的矢量化器。

一旦完成，您使用的令牌正则表达式（可能仍然不是正则表达式的情况，但这是 sklearn 提供的接口），实际上非常简单：

'\b[a-zA-Z]\w+\b'

这里要实现的唯一更改是忽略上面提到的10mg 等数字。

值得注意的是，如此大量的令牌删除将对您尝试进行的几乎所有分析产生负面影响。如果你有一个相当大的语料库，你不应该删除任何标记，如果它很小，删除停用词并使用词干分析器或词形还原器是一个好方法，但这种标记删除是不好的做法，会导致过度拟合.