如何创建我们的标记语料库

我正在尝试创建一个关于去货币化数据集的标记语料库,该数据集大约有6250条推文。代码如下,尽管它只能处理一个包含200条记录的小数据集。

df = pd.read_csv('Demonetization_data29th2.csv',encoding = "ISO-8859-1")text = df['CONTENT']sentiment = df['sentiment']a =[]tagged = [[nltk.word_tokenize(sent)] for sent in df['CONTENT']]tagged = [nltk.pos_tag(sent) for sent in tagged]print tagged[0]print "---------"brown_tagged_sents = taggedprint brown_tagged_sents[0]size = int(len(brown_tagged_sents) * 0.7)tags = [tag for (word, tag) in brown.tagged_words()]defaultTag = nltk.FreqDist(tags).max()print defaultTagtrain_sents = brown_tagged_sents[:size]test_sents = brown_tagged_sents[size:]tagger = ngramTagger(train_sents, 2, defaultTag)print tagger.evaluate(test_sents)

我遇到了如下错误:

File "C:/Users/HP/pos-2.py", line 41, in <module>    tagged = [[nltk.word_tokenize(sent)] for sent in df['CONTENT']]  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\__init__.py", line 130, in word_tokenize    sentences = [text] if preserve_line else sent_tokenize(text, language)  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\__init__.py", line 97, in sent_tokenize    return tokenizer.tokenize(text)  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 1235, in tokenize    return list(self.sentences_from_text(text, realign_boundaries))  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 1283, in sentences_from_text    return [text[s:e] for s, e in self.span_tokenize(text, realign_boundaries)]  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 1274, in span_tokenize    return [(sl.start, sl.stop) for sl in slices]  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 1314, in _realign_boundaries    for sl1, sl2 in _pair_iter(slices):  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 312, in _pair_iter    prev = next(it)  File "C:\ProgramData\Anaconda2\lib\site-packages\nltk\tokenize\punkt.py", line 1287, in _slices_from_text    for match in self._lang_vars.period_context_re().finditer(text):TypeError: expected string or buffer

请指导我哪里出错了


回答:

你可能在该列的一个或多个行中遇到了空值。

可以用空字符串填充它,如下所示:

df['CONTENT'] = df['CONTENT'].fillna('')

Related Posts

L1-L2正则化的不同系数

我想对网络的权重同时应用L1和L2正则化。然而,我找不…

使用scikit-learn的无监督方法将列表分类成不同组别,有没有办法?

我有一系列实例,每个实例都有一份列表,代表它所遵循的不…

f1_score metric in lightgbm

我想使用自定义指标f1_score来训练一个lgb模型…

通过相关系数矩阵进行特征选择

我在测试不同的算法时,如逻辑回归、高斯朴素贝叶斯、随机…

可以将机器学习库用于流式输入和输出吗?

已关闭。此问题需要更加聚焦。目前不接受回答。 想要改进…

在TensorFlow中,queue.dequeue_up_to()方法的用途是什么?

我对这个方法感到非常困惑,特别是当我发现这个令人费解的…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注