热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

使用正则表达式快速清洗NLP训练数据的技术详解实战

最近在学习使用EasyDL专业版训练模型,我想试着训练一个情感分析模型,但是手头缺少数据,于是我找到了NLPCC2014_sentiment,在GitHub可以找到,这里我Fork

最近在学习使用EasyDL专业版训练模型,我想试着训练一个情感分析模型,但是手头缺少数据,于是我找到了NLPCC2014_sentiment,在GitHub可以找到,这里我Fork到了码云里以便下载:
https://gitee.com/zheng_bo_pu/NLPCC2014_sentiment
在这里插入图片描述
下载好以后,打开其中一个数据集,这里我打开了sample.negative.txt:
在这里插入图片描述
id从5000开始的,也就是说,这里一共有5000条数据,再加上positive那部分,应该有10000条数据,但是EasyDL平台上对训练数据有要求:
在这里插入图片描述

文本分类的标注数据格式要求为"文本内容\t标注标签\n"(即每行一个未标注样本与一个标注标签,中间使用tab键间隔,每组数据使用回车换行)

很明显现在已有的数据集不符合要求,那我们来处理一下

先看一下现有数据集的格式:
在这里插入图片描述
这是一条数据,我们只要获取标签内的内容,然后加上对应的情感标签即可

获取标签内的内容

这一步我们用正则表达式处理,其实很简单,写成一个函数用来去标签,去空格:

def filter_tags(self, str):data &#61; re.compile(r&#39;<[^>]&#43;>&#39;,re.S)data &#61; data.sub(&#39;&#39;,str)#去掉多余的空行blank_line&#61;re.compile(&#39;\n&#43;&#39;)data &#61; blank_line.sub(&#39;\n&#39;,data)return data

这里是把整个文本导入并提取我们想要的内容,方便快捷,一步到位:
在这里插入图片描述
但是,我们还需要在这些训练数据后面加上情感标签,关键是怎么确定对应的情感标签呢?

加上对应的情感标签

为此,我写个一个类,在类里解决就简单多了:

class NLP_DATA(object):def __init__(self,type):self.type &#61; type

因为数据集命名时是带有标签的,我们便可以用对应的标签来实例化:

def main():types &#61; ["negative","positive"]for type in types:nlp &#61; NLP_DATA(type)path &#61; r&#39;C:\Users\Administrator\Downloads\zheng_bo_pu-NLPCC2014_sentiment-master\NLPCC2014_sentiment\sample.{}.txt&#39;.format(type)if __name__ &#61;&#61; &#39;__main__&#39;:main()

接下来,只需要根据条件判断给语句加上对应的情感标签即可:

if self.type &#61;&#61; "negative":negative &#61; open(&#39;./20200312/negative.txt&#39;,&#39;a&#39;,encoding&#61;"utf-8")negative.write(datas)
else:positive &#61; open(&#39;./20200312/positive.txt&#39;,&#39;a&#39;,encoding&#61;"utf-8")positive.write(datas)

下面是最终效果:
在这里插入图片描述
以上就是本次程序所有的关键代码,下面我们把数据集上传至EasyDL:
在这里插入图片描述
接下来 我们用这些训练数据进行训练:
在这里插入图片描述
准确率在85%作用,看来效果还是不错的,如果数据集更多,效果应该会更好


推荐阅读
  • 本文详细介绍了如何使用 Python 编程语言中的 Scapy 库执行 DNS 欺骗攻击,包括必要的软件安装、攻击流程及代码示例。 ... [详细]
  • 页面预渲染适用于主要包含静态内容的页面。对于依赖大量API调用的动态页面,建议采用SSR(服务器端渲染),如Nuxt等框架。更多优化策略可参见:https://github.com/HaoChuan9421/vue-cli3-optimization ... [详细]
  • 本文旨在探讨Swift中的Closure与Objective-C中的Block之间的区别与联系,通过定义、使用方式以及外部变量捕获等方面的比较,帮助开发者更好地理解这两种机制的特点及应用场景。 ... [详细]
  • 为什么会崩溃? ... [详细]
  • Git版本控制基础解析
    本文探讨了Git作为版本控制工具的基本概念及其重要性,不仅限于代码管理,还包括文件的历史记录与版本切换功能。通过对比Git与SVN,进一步阐述了分布式版本控制系统的独特优势。 ... [详细]
  • 2023年1月28日网络安全热点
    涵盖最新的网络安全动态,包括OpenSSH和WordPress的安全更新、VirtualBox提权漏洞、以及谷歌推出的新证书验证机制等内容。 ... [详细]
  • 本文探讨了互联网服务提供商(ISP)如何可能篡改或插入用户请求的数据流,并提供了有效的技术手段来防止此类劫持行为,确保网络环境的安全与纯净。 ... [详细]
  • td{border:1pxsolid#808080;}参考:和FMX相关的类(表)TFmxObjectIFreeNotification ... [详细]
  • 本文详细介绍了如何正确设置Shadowsocks公共代理,包括调整超时设置、检查系统限制、防止滥用及遵守DMCA法规等关键步骤。 ... [详细]
  • 根据官方定义,RxJava是一种用于异步编程和可观察数据流的API。其核心特性在于流式处理能力和丰富的操作符支持。 ... [详细]
  • 本文详细介绍了如何在Android应用中实现重复报警功能。示例代码可在以下路径找到:https://developer.android.com/samples/RepeatingAlarm/index.html。首先,我们将从Manifest文件开始分析。 ... [详细]
  • 本文介绍了如何在Android应用中通过Intent调用其他应用的Activity,并提供了详细的代码示例和注意事项。 ... [详细]
  • GreenPlum采纳ShareNothing的架构,良好的施展了便宜PC的作用。自此IO不在是DW(datawarehouse)的瓶颈,相同网络的压力会大很多。然而GreenPlum的查问优化策略可能防止尽量少的网络替换。对于首次接触GreenPlum的人来说,必定耳目一新。 ... [详细]
  • 本文介绍了一种通过设置主题(Theme)来实现快速启动的Android引导页,并详细说明了如何避免因不同屏幕分辨率导致的图片拉伸问题。 ... [详细]
  • PBO(PixelBufferObject),将像素数据存储在显存中。优点:1、快速的像素数据传递,它采用了一种叫DMA(DirectM ... [详细]
author-avatar
罂粟花很美也需要阳光
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有