Textacy无法从extacy.doc.Doc类创建语料库

问题描述

我只是通过文本教程使用DataSet模块之外的数据进行工作。我从DataFrame获得一些文本数据，并将其存储为字符串变量以供工作。

def mergeText(df):
    content = ''
    for i in df['textColumn']:
        content += (i + '. ' )
    #print(content)
    return content


     txt = mergeText(df)

我曾经使用过Spacy，我知道这是创建文档对象的标准方法

nlp = spacy.load('en')
doc1 = nlp(txt)
print(type(doc1))

哪些输出

class 'spacy.tokens.doc.Doc

因此，我应该能够根据该文档文件生成语料库

corpus = textacy.corpus.Corpus('en', docs=doc1)

但即使我将正确的类型传递给函数也会出现此错误

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-8-c6f568014162> in <module>()
----> 1 corpus = textacy.corpus.Corpus('en', docs=doc1, metadatas=None)

~/anaconda3/envs/nlp/lib/python3.6/site-packages/textacy/corpus.py in __init__(self, lang, texts, docs, metadatas)
    156             else:
    157                 for doc in docs:
--> 158                     self.add_doc(doc)
    159 
    160     def __repr__(self):

~/anaconda3/envs/nlp/lib/python3.6/site-packages/textacy/corpus.py in add_doc(self, doc, metadata)
    337             msg = '`doc` must be {}, not "{}"'.format(
    338                 {Doc, SpacyDoc}, type(doc))
--> 339             raise ValueError(msg)
    340 
    341     #################

ValueError: `doc` must be {<class 'textacy.doc.Doc'>, <class 'spacy.tokens.doc.Doc'>}, not "<class 'spacy.tokens.token.Token'>"

我曾尝试用同样的方法创建一个Textacy对象，但没有成功

doc = textacy.Doc(txt)
print(type(doc))

<class 'spacy.tokens.doc.Doc'>

我还尝试对语料库使用文本参数，将原始文本传递给它，但这会输出

corpus[:10]

[Doc(1 tokens; "D"),
 Doc(1 tokens; "e"),
 Doc(1 tokens; "a"),
 Doc(1 tokens; "r"),
 Doc(1 tokens; " "),
 Doc(1 tokens; "C"),
 Doc(1 tokens; "h"),
 Doc(1 tokens; "r"),
 Doc(1 tokens; "i"),
 Doc(1 tokens; "s")]

对如何解决此问题有什么建议吗？

编辑 为了从许多行中获取文档并将其传递给语料库，下面是我正在处理的线程数据框

 chat1 = df[(df['chat_hash']=='121418-456986')]

因此，每个文本的文本存储在‘Text’列下，如果需要，可以通过Speaker列将每个文本绑定到扬声器。

目前，我正在研究capitol words示例，但不完全清楚如何使用数据帧拆分它。

records = cw.records(speaker_name={'Hillary Clinton', 'Barack Obama'})
text_stream, metadata_stream = textacy.fileio.split_record_fields(records, 'text')
corpus = textacy.Corpus('en', texts=text_stream, metadatas=metadata_stream)
corpus

在这种情况下，是否需要将记录设置为聊天哈希的过滤器

thread = df[(df['chat_hash']=='121418-456986')]
text_stream, metadata_stream = textacy.fileio.split_record_fields(thread, 'text')
corpus = textacy.Corpus('en', texts=text_stream, metadatas=metadata_stream)
corpus

---

解决方案

docs参数应为可迭代对象，且可迭代对象的项应为各种Doc类型。您传递的是单个文档，迭代该文档时返回Tokens--因此出现错误。您可以将doc=doc1参数包装为doc=[doc1]，这应该允许您创建语料库。

不过，这是一个包含单个文档的语料库--这不太可能非常有用。是否要为DataFrame的每一行创建文档，而不是串联在一起？

编辑：处理DataFrame

如果希望每个聊天都是一个文档，其中一种方法是通过chat_hash对数据帧进行分组，并将所有文本连接在一起。然后为每个聊天和语料库创建一个文档：

import pandas as pd
import spacy
import textacy

nlp = spacy.load('en')

df = pd.DataFrame([['Ken', 'aaaa', 1, 'This is a thing I said'],
                  ['Peachy', 'aaaa', 2, 'This was a response'],
                  ['Ken', 'aaaa', 3, 'I agree!'],
                  ['Ken', 'bbbb', 1, 'This is a thing I said'],
                  ['Peachy', 'bbbb', 2, 'You fool!']], columns=['speaker', 'chat_hash', 'sequence_number', 'text'])

chat_concat = (df
               .sort_values(['chat_hash', 
                             'sequence_number'])
               .groupby('chat_hash')['text']
               .agg(lambda col: '
'.join(col)))

docs = list(chat_concat.apply(lambda x: nlp(x)))

corpus = textacy.corpus.Corpus(nlp, docs=docs)

corpus

所以这里的步骤是：

• 加载模型(在本例中创建虚拟数据帧)
• 按散列和一些顺序排序(以便按正确的顺序聊天)，然后按聊天散列分组并将所有文本连接在一起(我在文本之间使用新行，可以使用任何分隔符
• 将函数应用于每个文本块以从中创建文档
• 如前所述创建语料库。