无法从textacy.doc.Doc类创建语料库

Question

我只是在思考在数据集模块之外的文本教程进行工作。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)

我对spacy做了一些工作，我知道这是创建doc对象的标准方法

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

哪种输出

class 'spacy.tokens.doc.Doc

因此，我应该能够从这个文档文件中生成一个语料库。

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

但是我得到了这个错误，即使我把正确的类型传递给函数

---------------------------------------------------------------------------
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'>"

我尝试以同样的方式创建textacy对象，但没有运气。

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

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

我还尝试使用文本参数作为语料库，将原始文本传递给它，但这是输出。

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")]

有什么办法解决这个问题吗？

编辑，以便获得许多行的文档，并将其传递给一个语料库，这里是我正在处理的线程的数据框架

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

因此，每个文本的文本存储在“文本”列下，如果有必要，每个文本可以通过扬声器列绑定到发言者。

目前，我正在查看国会山话示例，但还不完全清楚如何使用dataframe将其拆分。

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

在本例中，是否将记录设置为聊天哈希的筛选器？

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

Answer 1

docs参数需要一个可迭代的，可迭代的项是各种Doc类型的。您正在传递一个文档，在迭代时该文档返回Tokens -因此出现了错误。您可以将doc=doc1参数包装为doc=[doc1]，这将允许您创建语料库。

不过，这是一个包含单一文档的语料库--这不太可能非常有用。您是否打算为您的DataFrame的每一行创建一个Doc，而不是将它们连接在一起？

编辑:处理DataFrame

如果您希望每一次聊天都是一个文档，其中之一就是将数据按chat_hash分组，并将所有文本连接在一起。然后为每一次聊天创建一个文档，并为此创建一个语料库：

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: '\n'.join(col)))

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

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

corpus

下面的步骤是：

• 加载模型(并在本例中创建虚拟数据)
• 按散列和某些序列排序(所以按正确的顺序聊天)，然后按聊天哈希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)
• 对每一个文本块应用一个函数来创建一个文档。
• 像以前一样创建语料库。