本文关键词：文本数据预处理、中文文本预处理、自然语言处理
摘要： 要进行自然语言处理相关工作，文本数据预处理是个必不可少的过程。本文将对文本数据预处理相关的内容进行归纳整理，主要包括以下4个方面内容：
- 文本数据获取
- 常规文本数据预处理
- 任务相关的文本数据预处理
- 文本预处理工具
1、文本数据获取
“巧妇难为无米之炊”，要做文本数据处理，首先需要获得文本数据。对于此问题，大家可以“八仙过海，各显神通”，借助一切合法、合理方式收集数据集。一般的，可以通过：自有数据整理、公开数据爬取和开源数据引用三个渠道获取数据。
-
自有数据：收集整理自有或者组织内部的可用数据集。
-
爬取数据：爬虫是获取数据的重要手段，但是在执行该操作前需遵守相关法规和Robots协议，在爬取数据后合法应用数据。通常，可以通过requests、BeautifulSoup4和Selenium等python工具完成绝大多数爬取任务。
图片豆瓣电影评论爬取可参考：
https://www.cnblogs.com/fengxi177/p/16939376.html
- 开源数据：当前已有很多公开的NLP数据集支撑相关的研究和应用分析，如github项目：
| 项目名 | 项目链接 | 项目概述 |
|---|---|---|
| CLUEDatasetSearch | https://github.com/CLUEbenchmark/CLUEDatasetSearch | 收集了众多中英文NLP数据集 |
| funNLP | https://github.com/fighting41love/funNLP | 分门别类的组织了众多的NLP数据集和项目 |
| awesome-chinese-nlp | https://github.com/crownpku/Awesome-Chinese-NLP | 收集了中文自然语言处理相关资料 |
| Chinese_medical_NLP | https://github.com/lrs1353281004/Chinese_medical_NLP | 收集了医疗NLP领域（主要关注中文）评测数据集与论文相关资源 |
由此，在收集好原始数据集后便可进行后续相关的NLP分析了。
特别的，数据集可以保存为txt、json、csv、tsv、sql表等等格式，只要你喜欢，都可以（哈哈哈，有些格式可能会比较占用内存，较大数据集时需要留意）。
图片此处分享一个csv超大文件数据读取技巧，即利用pandas的chunksize分块读取。
import pandas as pd
df = pd.read_csv("data.csv", chunksize=10000) # 每次读取1w行数据
for df_chunk in df:
print(df_chunk)
2、常规文本数据预处理
文本数据作为一种非结构化数据，除了特别处理过的数据集，大多数直接收集的文本数据会掺杂或多或少的无用信息，如果直接将其进行相关的文本分析于建模是无益的。通常，需要先对文本数据进行预处理操作。
文本数据预处理的主要目的一般有两个，即：
（1）将文本数据清洗干净（标准自定）
（2）将文本数据格式化（需求自定）
2.1 将文本数据清洗干净
-
空格换行符，利用replace操作将原始文本中的空格、tab键、换行符\n、\r等与文本无关的字符直接替换为空。
-
无用信息剔除，如：停用词表构建。
-
标点符号去除，利用正则表达式去除标点符号，中英文标点符号可以通过如下两个方式获取。
中文标点符号：from zhon.hanzo import punctuation （需要安装包：pip install zhon）
英文标点符号：from string import punctuation
特别的，文本情感分析中，可保留有情感倾向的标点符号，如：？和！ -
在噪声数据中提取需要数据，利用正则表达式完成数据提取。如：只需要提取汉字时可以利用正则[\u4e00-\u9fa5]
-
简体繁体转换，可安装包：pip install opencc
-
英文数据：词形还原、大小写转换等 （推荐python包：NLTK）
2.2 将文本数据格式化
- 文本分句，根据标点符号分句。
- 文本分段，根据换行符或其他数据规律分段。
- 文本根据字段存储：半结构化文本数据存储
- excel数据提取，推荐安装python包pandas，pip install pandas
docx格式数据提取，推荐安装python包python-docx，pip install python-docx - pdf数据提取，可安装包pdfminer.six，pip install pdfminer.six
至此，经过常规预处理后，文本数据会变的比较干净与规整，可以用于后续nlp研究与应用。（说明，适用于自己任务的操作才是必须的，其他的参照奥卡姆剃刀“如无必要，勿增实体”）。
3、任务相关的文本数据预处理
前面介绍了通常情况下文本预处理可能涉及的注意点，但是要真正的做好数据预处理，应该与具体的任务相结合起来。比如：数据不平衡问题，数据增强问题、数据标注问题等等。
3.1 不平衡问题
- 不平衡分类问题：实际应用中数据存在长尾分布现象，需要注意处理不平衡分类问题。python包imbalanced-learn提供了几个不错的过采样和欠采样方法，可以试用。
- 不平衡回归问题，一篇好文链接：https://zhuanlan.zhihu.com/p/369627086
特别的，如需获得泛化性能好的模型，首先需要关注解决不平衡问题。
3.2 数据增强问题
数据太少，那就需要利用规则和算法增强数据，使数据多样化。
3.3 数据标注问题
- 人工标注，好处：毕竟人多力量大，有多少人工有多少智能。坏处：成本昂贵。
- 主动学习标注，目的：通过一定的技术手段和方法降低标注成本。具体的，可利用单个机器学习模型或集成学习的思想，提取需要人工审核标注的数据。
- 标注平台与工具：可开发相应的自动化预标注平台，通过人工审核获得标注后的高质量数据集。
4、一些可用的文本预处理工具
对于文本预处理工作，目前已有一些专门的工具包，功能比较多样，大家可以试用一下，提升自己处理数据的效率和质量。
5、总结
本文对文本预处理，特别是中文文本预处理做了一个简要的概述，希望于相关的nlper有所帮助。后续，将依次递进分享相应的NLP文章，敬请关注。
特别的，如本文有疏漏，麻烦留言指出，以期校正提升。
如看到文章的小伙伴有感兴趣的nlp主题，欢迎留言交流讨论，共同撰文分享。
原文首发于微信公众号：实用自然语言处理