def chinese_word_cut(mytext): jieba.load_userdict(dic_file) jieba.initialize() try: stopword_list = open(stop_file,encoding ='utf-8') except: stopword_list = [] print("error in stop_file") stop_list = [] flag_list = ['n','nz','vn'] for line in stopword_list: line = re.sub(u'\n|\\r', '', line) stop_list.append(line) word_list = [] #jieba分词 seg_list = psg.cut(mytext) for seg_word in seg_list: #word = re.sub(u'[^\u4e00-\u9fa5]','',seg_word.word) word = seg_word.word find = 0 for stop_word in stop_list: if stop_word == word or len(word)<2: #this word is stopword find = 1 break if find == 0 and seg_word.flag in flag_list: if word in synonym_origin: index = synonym_origin.index(word) word = synonym_new[index] word_list.append(word) return (" ").join(word_list) data["content"]=data.content.astype(str) data["content_cutted"] = data.content.apply(chinese_word_cut)加入正则表达式进行数据清洗
时间: 2023-12-06 20:42:58 浏览: 108
Java-IO.rar_java IO
这段代码是一个用于中文分词和数据清洗的函数。首先,它使用了jieba库加载用户自词典,并初始化。然后,它尝试打开停用词文件,如果失败则将停用词列表设置为空并打印错误信息。接下来,它定义了一个停用词列表和一个词性标注列表。在进行分词时,对每个分词结果,它会检查是否为停用词或长度小于2,如果是则忽略;否则,它会检查该词的词性是否在标注列表中,如果是则将该词加入到结果列表中。最后,它将结果列表中的词用空格连接起来,作为分词结果返回。
在使用该函数时,它会将输入数据中的content列转换为字符串类型,并将分词结果保存在新的列content_cutted中。同时,它也使用了正则表达式进行数据清洗,但具体是什么样的清洗操作需要看stop_file和synonym_origin、synonym_new文件中的内容。
阅读全文