-
Notifications
You must be signed in to change notification settings - Fork 0
/
text_pre_processing.py
496 lines (363 loc) · 15.6 KB
/
text_pre_processing.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
#!/usr/bin/python3
# coding: utf-8
import re
from nltk import tokenize
from nltk.stem.snowball import PortugueseStemmer
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer, TfidfVectorizer
def remove_stop_words(data, stop_words):
"""
Remove as stop words da string de entrada
Parâmetros
data: string com texto de entrada
stop_words: lista de stop_words
Retorno
String com texto sem stop words
"""
words = data.split()
stop_words_free = [word for word in words if word.lower() not in stop_words]
stop_words_free = " ".join(stop_words_free)
return stop_words_free
def remove_puntuaction(data):
"""
Remove pontuação da string de entrada
Parâmetros
Data: string com texto de entrada
Retorno
String com texto sem pontuação
"""
data = re.sub(u'\xa0',' ',data)
noise_free = re.sub(r'[^a-zA-Z0-9à-úÀ-Ú\s]','',data)
return noise_free
def remove_by_regex(data, list_regex):
"""
Remove pontuação da string de entrada
Parâmetros
Data: string com texto de entrada
Retorno
String com texto aplicado a regex
"""
for regex in list_regex:
data = re.sub(regex, '', data)
return data
def remove_emails_and_URLs(data):
"""
Remove URL e emails
Parâmetros
data: string com texto de entrada
Retorno
String com texto sem emails e URLs
"""
url_free = re.sub(r'(?i)(www[.a-z\/:,_#?!&=]+|http[.a-z\/:\d,_#?!\-&=]+)','',data)
email_url_free = re.sub(r'(?i)([a-z0-9.,_\-]+@[a-z0-9.\-_]+)','',url_free)
return email_url_free
def get_list_of_sentences(data,language='portuguese',regex=None):
"""
Quebra o texto de entrada em uma lista das sentenças/frases
Parâmetros
data: string com texto de entrada
language: língua utilizada pelo nltk.tokenize para separar as sentenças
(default='portuguese')
regex: raw string a ser utilizada como parametro para o método split
Retorno
lista de sentenças
"""
if(regex!=None):
return re.split(regex,data)
else:
return tokenize.sent_tokenize(data,language=language)
def get_list_of_words(data,language='portuguese',regex=None):
"""
Quebra o texto de entrada em uma lista de palavras
mantendo a ordem que aparecem (pontuações também são consideradas palavras).
Parâmetros
data: String com texto de entrada
language: língua utilizada pelo nltk.tokenize para separar as palavras
(default='portuguese')
regex: raw String a ser utilizada como parametro para o método split
Retorno
lista de palavras
"""
if(regex!=None):
return re.split(regex,data)
else:
return tokenize.word_tokenize(data,language=language)
def get_stem(data):
"""
Cria radicais para as palavras
Parâmetros
Data: string com texto de entrada ou lista de strings
Retorno
String com texto com radicais ou lista com radicais
"""
stemmer = PortugueseStemmer()
if(type(data)==str):
words = data.split()
stemWords = [stemmer.stem(word) for word in words]
stemWords = " ".join(stemWords)
elif(type(data)==list):
stemWords = []
for sentence in data:
words = sentence.split()
stemmed = [stemmer.stem(word) for word in words]
stemmed = " ".join(stemmed)
stemWords.append(stemmed)
else:
print("Forbidden data type %s"%(type(data)))
return ""
return stemWords
def transform_tfidf(data, preprocessing=False, stem=False, stop_words=None, n_gram=(1,1)):
"""
Processa dado textual e gera o modelo term frequency–inverse document frequency.
Parametros
data: lista de documentos a serem processados
preprocessing: booleano que indica se os documentos serão preprocessados antes
da criação do modelo tf-idf
As etapas de preprocessamento incluem (nesta ordem)
- converter caracteres maiúsculos para minúsculos
- remoção de url, emails e pontuação
- remoção de stop words
- stemming (extração do radical das palavras)
stem: booleano que indica se a extração de radical será realizada
stop_words: lista de stop words ou string 'english'
(tem efeito apenas quando preprocessing=True)
n_gram: 2-upla de int indicando minimo e máximo de n-grams a ser extraído
Retorno
Tupla formada por Matriz de features TF-IDF e modelo tf-idf
"""
if preprocessing:
documents_processed = []
for document in data:
data_processed = remove_emails_and_URLs(document)
data_processed = remove_puntuaction(data_processed)
stop_words_flag = None
if(stop_words!=None):
if(stop_words=='english'):
stop_words_flag = stop_words
else:
if(type(stop_words)==list):
data_processed = remove_stop_words(data_processed,stop_words)
if(stem):
data_processed = get_stem(data_processed)
documents_processed.append(data_processed)
transformer = TfidfVectorizer(stop_words=stop_words_flag,
smooth_idf=False,
max_features=5000)
tfidf = transformer.fit_transform(documents_processed)
else:
vectorizer = CountVectorizer(analyzer="word",
tokenizer=None,
preprocessor=None,
stop_words=None,
ngram_range=n_gram,
max_features=5000)
training_data_features = vectorizer.fit_transform(data)
training_data_features = training_data_features.toarray()
transformer = TfidfTransformer(smooth_idf=False)
tfidf = transformer.fit_transform(training_data_features)
return tfidf.toarray(),transformer
class TfidfFeatureExtractor():
"""Classe para preprocessamento (opcional) e extração das features TF-IDF"""
def __init__(self,
preprocessing=False,
stem=False,
stop_words=None,
n_gram=(1,1),
max_features=None):
"""
Inicializa os atributos do objeto com os valores padrões
Parametros
preprocessing: booleano que seleciona etapa de preprocessamento (default=False)
stem: booleano que seleciona se extração de radicais será realizada (default=False)
stop_words: lista de stop words ou string 'english' (default=None)
(tem efeito apenas quando preprocessing=True)
n_gram: 2-upla de int indicando minimo e máximo de n-grams a ser extraído (default=(1,1))
max_features: int indicando número máximo de palavras no vocabulário a ser utilizado (BoW)
(default=5000)
"""
self.preprocessing = preprocessing
self.stem = stem
self.stop_words = stop_words
self.n_gram = n_gram
self.max_features=max_features
self.vectorizer = None
self.transformer = None
self.tfidf_feature = None
self.stop_words_flag = None
def preprocessing_data(self,data):
"""
Método que realiza etapa de preprocessamento caso atributo preprocessing=True
Parametros
data: lista de documentos a serem processados
"""
documents_processed = []
if self.preprocessing:
for document in data:
data_processed = remove_emails_and_URLs(document)
data_processed = remove_puntuaction(data_processed)
if(self.stop_words!=None):
if(self.stop_words=='english'):
self.stop_words_flag = self.stop_words
else:
if(type(self.stop_words)==list):
data_processed = remove_stop_words(data_processed,self.stop_words)
if(self.stem):
data_processed = get_stem(data_processed)
documents_processed.append(data_processed)
else:
return data
return documents_processed
def fit(self,data):
"""
Método para extrair feature TF-IDF e salvar objetos a serem utilizados
no método transform.
Parametros:
data: lista de documentos a serem processados
"""
documents = self.preprocessing_data(data=data)
if self.preprocessing:
self.transformer = TfidfVectorizer(stop_words=self.stop_words_flag,
smooth_idf=False,
ngram_range=self.n_gram,
max_features=self.max_features)
self.tfidf_feature = self.transformer.fit_transform(documents)
else:
self.vectorizer = CountVectorizer(analyzer="word",
tokenizer=None,
preprocessor=None,
stop_words=None,
ngram_range=self.n_gram,
max_features=self.max_features)
training_data_features = self.vectorizer.fit_transform(documents)
training_data_features = training_data_features.toarray()
self.transformer = TfidfTransformer(smooth_idf=False)
self.tfidf_feature = self.transformer.fit_transform(training_data_features)
def transform(self,data):
"""
Método que retorna tf-idf array para um novo conjunto de dados a partir de
um modelo previamente treinado pelo método fit.
Parametros
data: lista de documentos a serem processados
"""
if(self.transformer == None or self.tfidf_feature == None):
print("Unable to call transform.\nPlease call fit first.")
return None
documents = self.preprocessing_data(data=data)
if self.preprocessing:
return self.transformer.transform(documents).toarray()
else:
data_features = self.vectorizer.transform(documents)
data_features = data_features.toarray()
return self.transformer.transform(data_features).toarray()
class BagOfWordsFeatureExtractor():
"""Classe para preprocessamento (opcional) e extração das features Bag of Words"""
def __init__(self,
preprocessing=False,
stem=False,
stop_words=None,
n_gram=(1,1),
max_features=None):
"""
Inicializa os atributos do objeto com os valores padrões
Parametros
preprocessing: booleano que seleciona etapa de preprocessamento (default=False)
stem: booleano que seleciona se extração de radicais será realizada (default=False)
stop_words: lista de stop words ou string 'english' (default=None)
(tem efeito apenas quando preprocessing=True)
n_gram: 2-upla de int indicando minimo e máximo de n-grams a ser extraído (default=(1,1))
max_features: int indicando número máximo de palavras no vocabulário a ser utilizado (BoW)
(default=5000)
"""
self.preprocessing = preprocessing
self.stem = stem
self.stop_words = stop_words
self.n_gram = n_gram
self.max_features=max_features
self.vectorizer = None
self.bow_feature = None
self.stop_words_flag = None
def preprocessing_data(self,data):
"""
Método que realiza etapa de preprocessamento caso atributo preprocessing=True
Parametros
data: lista de documentos a serem processados
"""
documents_processed = []
if self.preprocessing:
for document in data:
data_processed = remove_emails_and_URLs(document)
data_processed = remove_puntuaction(data_processed)
if(self.stop_words!=None):
if(self.stop_words=='english'):
self.stop_words_flag = self.stop_words
else:
if(type(self.stop_words)==list):
data_processed = remove_stop_words(data_processed,self.stop_words)
if(self.stem):
data_processed = get_stem(data_processed)
documents_processed.append(data_processed)
else:
return data
return documents_processed
def fit(self,data):
"""
Método para extrair feature BoW e salvar objetos a serem utilizados
no método transform.
Parametros:
data: lista de documentos a serem processados
"""
documents = self.preprocessing_data(data=data)
if self.preprocessing:
self.vectorizer = CountVectorizer(analyzer="word",
tokenizer=None,
preprocessor=None,
stop_words=self.stop_words_flag,
ngram_range=self.n_gram,
max_features=self.max_features)
else:
self.vectorizer = CountVectorizer(analyzer="word",
tokenizer=None,
preprocessor=None,
stop_words=None,
ngram_range=self.n_gram,
max_features=self.max_features)
training_data_features = self.vectorizer.fit_transform(documents)
self.bow_feature = training_data_features
def transform(self,data):
"""
Método que retorna BoW array para um novo conjunto de dados a partir de
um modelo previamente treinado pelo método fit.
Parametros
data: lista de documentos a serem processados
"""
if(self.vectorizer == None or self.bow_feature == None):
print("Unable to call transform.\nPlease call fit first.")
return None
documents = self.preprocessing_data(data=data)
data_features = self.vectorizer.transform(documents)
return data_features.toarray()
def get_word2vec_similarity(model, word1, word2):
# Retorna a similaridade entre 2 palavreas baseada em um dicionário do Word2Vec
# Parâmetros
# word 1
# word 2
# Retorna nível de similaridade (0 a 1)
return model.similarity(word1,word2)
def get_word2vec_most_similar(model, word):
# Retorna qual as palavras mais similares de acordo com o contexto usando o Word2vec
# Parâmetros
# word
# Retorna Conjunto de palavras e similaridade em relação a palavra passada por parâmetro
return model.most_similar(word)
def get_word2vec_dissimilar(model, word_list):
# Retorna palavra mais diferente em relação ao contexto dentre as que estão na lista
# Parâmetros
# wordList
# Retorna palavra mais diferente dentro da lista passada por parâmetro
sentence = " ".join(word_list)
return model.doesnt_match(sentence.split())
def get_word2vec(model, word):
# Retorna a representação numérica (word2vec) da palavra
# Parâmetros
# word
# Retorna vetor numérico que represneta a palavra
return model[word]