NLP_情感分类_数据清洗

文章目录

项目背景
数据清洗
同类型项目

项目背景

项目的目的，是为了对情感评论数据集进行预测打标。在训练之前，需要对数据进行数据清洗环节，下面对数据集进行清洗，清洗完，后续再进行训练、评估

数据清洗

导包

python 复制代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from tqdm import tqdm
import pickle
import numpy as np
import gc
import swifter
import os

导入数据

python 复制代码

df = pd.read_csv('data/sentiment_analysis.csv')
df

查看标签分布

python 复制代码

# 设置Seaborn的样式
sns.set(style="whitegrid")

# 创建一个计数图
plt.figure(figsize=(8, 6))
sns.countplot(x='label', data=df, palette='viridis')

# 添加标题和标签
plt.title('Label Distribution')
plt.xlabel('Label')
plt.ylabel('Count')

# 显示图形
plt.show()

删除emoji表情

python 复制代码

import re
from cleantext import clean

df['text'] = df['text'].swifter.apply(clean)

删除URL

python 复制代码

df['text'] = df['text'].swifter.apply(lambda x: re.sub(r'http\S+', '', x))

转换成小写

python 复制代码

df['text'] = df['text'].swifter.apply(lambda x: x.lower())

删除停用词

python 复制代码

import nltk
from nltk.corpus import stopwords

stopwords=set(stopwords.words('english'))

def remove_stopwords(data):
    output_array=[]
    for sentence in tqdm(data):
        temp_list=[]
        for word in sentence.split():
            if word not in stopwords:
                temp_list.append(word)
        output_array.append(' '.join(temp_list))
    return output_array

df['text'] = remove_stopwords(df['text'])

删除标点符号

python 复制代码

import string

df['text'] = df['text'].swifter.apply(lambda x: x.translate(str.maketrans('', '', string.punctuation)))

保存清洗后的数据

python 复制代码

df.to_csv('data/sentiment_analysis_clean.csv',index=False)

NLP_情感分类_数据清洗

文章目录

项目背景

数据清洗

导包

导入数据

查看标签分布

删除emoji表情

删除URL

转换成小写

删除停用词

删除标点符号

保存清洗后的数据

同类型项目