This repository was archived by the owner on May 13, 2023. It is now read-only.
-
Notifications
You must be signed in to change notification settings - Fork 4
/
Copy pathDataClean.py
155 lines (132 loc) · 6.55 KB
/
DataClean.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
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import re
import jieba
plt.style.use('seaborn')
sns.set(font_scale=2)
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
CSV_PATH = 'D:/.../roberta-masterContent/data/' #数据集所在具体路径
# 转换编码
# 将编码为ANSI的csv文件转换为UTF-8，方便后续进行pd操作
def re_encode(path): # 定义编码转换函数
with open(path, 'r', encoding='GB2312', errors='ignore') as file:
lines = file.readlines()
with open(path, 'w', encoding='utf-8') as file:
file.write(''.join(lines))
re_encode(CSV_PATH+'raw/nCoV_100k_train.labled.csv') # 数据集文件路径
# re_encode(CSV_PATH+'raw/nCov_10k_test.csv') # 数据集文件路径
# 数据预处理
# 对句子进行中文分词
def stopwordslist():
# 创建一个停用词列表
stopwords = [line.strip() for line in open('hit_stopwords.txt',encoding='UTF-8').readlines()]
return stopwords
def seg_depart(sentence):
# 对文档中的每一行进行中文分词
sentence_depart = jieba.cut(sentence.strip())
# 创建一个停用词列表
# stopwords = [line.strip() for line in open('hit_stopwords.txt',encoding='UTF-8').readlines()]
stopwords = stopwordslist()
# 输出结果为outstr
outstr = ''
# 去停用词
for word in sentence_depart:
if word not in stopwords:
if word != '\t':
outstr += word
outstr += ""
return outstr
# 去除转发用户名——“//@username:”或“回复@username:”
def remove_username(src):
vTEXT = re.sub(r'\/\/@(\w|\-|[\u4e00-\u9fa5])*(:|：)?', '', src, flags=re.MULTILINE)
vTEXT1 = re.sub(r'回复@(\w|\-|[\u4e00-\u9fa5])*(:|：)?', '', vTEXT, flags=re.MULTILINE)
return vTEXT1
# 去除URL
def remove_url(src):
vTEXT = re.sub(r'(https|http)?:\/\/(\w|\.|\/|\?|\=|\&|\%)*\b', '', src, flags=re.MULTILINE)
return vTEXT
# 去除无意义关键字
def remove_illegal(src):
comment = []
for com_str in src:
com_str = remove_username(com_str) # 去除转发用户名
com_str = remove_url(com_str) # 去除URL
com_str = com_str.replace(',','，')
com_str = com_str.replace("展开全文c",'')
com_str = com_str.replace("@QQ音乐?",'')
com_str = com_str.replace("（@网易云音乐）",'')
com_str = com_str.replace("(@网易云音乐)",'')
com_str = com_str.replace("O网页链接",'')
com_str = seg_depart(com_str)
if not com_str:
com_str = '无'
comment.append(com_str)
vTEXT = comment
return vTEXT
# 训练集数据清洗
def clean(path):
# 读取数据
print("---读取数据中...---")
df_data = pd.read_csv(path, usecols=['微博中文内容', '情感倾向'], encoding='utf-8', engine ='python')
# df_data = pd.read_csv(path, usecols=['微博发布时间', '微博中文内容', '情感倾向'], encoding='utf-8', engine ='python')
# df_data['微博发布时间'] = pd.to_datetime('2020年' + df_data['微博发布时间'], format='%Y年%m月%d日 %H:%M', errors='ignore')
print("---读取数据成功---")
print("数据矩阵形状：",df_data.shape)
print("数据矩阵列标签：",df_data.columns)
print("数据矩阵前5行：")
print(df_data.head())
# 文本长度差异
# 查看训练集各个变量的类型，数量等信息，同时查看标签数据
print("---文本长度差异---")
print("数据矩阵每列的内存使用情况：")
print(df_data.info(memory_usage='deep'))
print("数据矩阵中“情感倾向”列的所有值及数量：")
print(df_data['情感倾向'].value_counts(dropna=False))
# 数据清洗
print("---数据清洗中...---")
df_data = df_data[df_data['微博中文内容'].notna()] # 将“微博中文内容”中空白值去除
df_data['微博中文内容'] = remove_illegal(df_data['微博中文内容']) # 去除无意义关键字
df_data = df_data[df_data['情感倾向'].isin(['-1','0','1'])] # 将label异常值去除
df_data['情感倾向'] = df_data['情感倾向'].astype(np.int32) # 将label转化为整型
print("数据矩阵清洗后每列的内存使用情况：")
print(df_data.info(memory_usage='deep'))
print("数据矩阵清洗后“情感倾向”列的所有值及数量：")
print(df_data['情感倾向'].value_counts(dropna=False))
print("数据矩阵前5行（清洗后）：")
print(df_data.head())
# 保存清理后的数据
df_data.to_csv(CSV_PATH+"data_clean.csv", encoding='utf-8', index=None)
print("---数据清洗完成---")
clean(CSV_PATH+'raw/nCoV_100k_train.labled.csv')
# 测试集数据清洗
def test_dataclean(path):
# 读取数据
print("---读取数据中...---")
# df_data = pd.read_csv(path, usecols=['微博中文内容', '情感倾向'], encoding='utf-8', engine ='python')
df_data = pd.read_csv(path, usecols=['微博发布时间', '微博中文内容', '情感倾向'], encoding='utf-8', engine ='python')
# df_data['微博发布时间'] = pd.to_datetime('2020年' + df_data['微博发布时间'], format='%Y年%m月%d日 %H:%M', errors='ignore')
print("---读取数据成功---")
print("数据矩阵形状：",df_data.shape)
print("数据矩阵列标签：",df_data.columns)
print("数据矩阵前5行：")
print(df_data.head())
# 文本长度差异
# 查看训练集各个变量的类型，数量等信息，同时查看标签数据
print("---文本长度差异---")
print("数据矩阵每列的内存使用情况：")
print(df_data.info(memory_usage='deep'))
# 数据清洗
print("---数据清洗中...---")
df_data = df_data[df_data['微博中文内容'].notna()] # 将“微博中文内容”中空白值去除
df_data['微博中文内容'] = remove_illegal(df_data['微博中文内容']) # 去除无意义关键字
print("数据矩阵清洗后每列的内存使用情况：")
print(df_data.info(memory_usage='deep'))
print("数据矩阵前5行（清洗后）：")
print(df_data.head())
# 保存清理后的数据
df_data.to_csv(CSV_PATH+"results.csv", encoding='utf-8', index=None)
print("---数据清洗完成---")
# test_dataclean(CSV_PATH+'raw/nCov_10k_test.csv')