Podmiot zastępujący etykietą encji przy użyciu spacy
Chcę zrobić dla moich danych, zastępując każdą jednostkę jej etykietą za pomocą Spacy i mam 3000 wierszy tekstu potrzebnych do zastąpienia jednostek ich etykietą,
na przykład:
„Gruzja została niedawno pierwszym stanem USA, który„ zakazał kultury muzułmańskiej ”.
I chcę stać się taki:
„GPE niedawno stało się ORDINALNYM stanem GPE, który zakazał kultury NORP. "
Chcę, aby kod zastępował więcej niż wiersze tekstu.
Dziękuję bardzo.
Na przykład te kody, ale dla jednego zdania, chcę zmodyfikować s (ciąg) do kolumny zawierającej 3000 wierszy
Pierwsza: z ( Zastąp encję jej etykietą w SpaCy )
s= "His friend Nicolas J. Smith is here with Bart Simpon and Fred."
doc = nlp(s)
newString = s
for e in reversed(doc.ents): #reversed to not modify the offsets of other entities when substituting
start = e.start_char
end = start + len(e.text)
newString = newString[:start] + e.label_ + newString[end:]
print(newString)
#His friend PERSON is here with PERSON and PERSON.
Drugi: z ( Scalanie tagów do mojego pliku przy użyciu nazwanej adnotacji encji )
import spacy
nlp = spacy.load("en_core_web_sm")
s ="Apple is looking at buying U.K. startup for $1 billion" doc = nlp(s) def replaceSubstring(s, replacement, position, length_of_replaced): s = s[:position] + replacement + s[position+length_of_replaced:] return(s) for ent in reversed(doc.ents): #print(ent.text, ent.start_char, ent.end_char, ent.label_) replacement = "<{}>{}</{}>".format(ent.label_,ent.text, ent.label_) position = ent.start_char length_of_replaced = ent.end_char - ent.start_char s = replaceSubstring(s, replacement, position, length_of_replaced) print(s) #<ORG>Apple</ORG> is looking at buying <GPE>U.K.</GPE> startup for <MONEY>$1 billion</MONEY>
Odpowiedzi
IIUC, możesz osiągnąć to, co chcesz, dzięki:
- Czytanie twoich tekstów z pliku, każdy tekst w osobnym wierszu
- Przetwarzanie wyników poprzez zastępowanie jednostek, jeśli takie istnieją, ich tagami
- Zapisywanie wyników na dysk, każdy tekst w osobnym wierszu
Próbny:
import spacy
nlp = spacy.load("en_core_web_md")
#read txt file, each string on its own line
with open("./try.txt","r") as f:
texts = f.read().splitlines()
#substitute entities with their TAGS
docs = nlp.pipe(texts)
out = []
for doc in docs:
out_ = ""
for tok in doc:
text = tok.text
if tok.ent_type_:
text = tok.ent_type_
out_ += text + tok.whitespace_
out.append(out_)
# write to file
with open("./out_try.txt","w") as f:
f.write("\n".join(out))
Zawartość pliku wejściowego:
Niedawno Georgia stała się pierwszym stanem w USA, który „zakazał kultury muzułmańskiej.
Jego przyjaciel Nicolas J. Smith jest tutaj z Bartem Simponem i Fredem.
Apple rozważa zakup brytyjskiego startupu za 1 miliard dolarów
Zawartość pliku wyjściowego:
GPE niedawno stało się ORDINALNYM stanem GPE, aby „zakazać kultury NORP.
Jego przyjaciel PERSON PERSON PERSON jest tutaj wraz z PERSON PERSON i PERSON.
ORG chce kupić startup GPE za PIENIĄDZE PIENIĄDZE
Zwróć uwagę na MONEYMONEY
wzór.
To dlatego, że:
doc = nlp("Apple is looking at buying U.K. startup for $1 billion")
for tok in doc:
print(f"{tok.text}, {tok.ent_type_}, whitespace='{tok.whitespace_}'")
Apple, ORG, whitespace=' '
is, , whitespace=' '
looking, , whitespace=' '
at, , whitespace=' '
buying, , whitespace=' '
U.K., GPE, whitespace=' '
startup, , whitespace=' '
for, , whitespace=' '
$, MONEY, whitespace='' # <-- no whitespace between $ and 1
1, MONEY, whitespace=' '
billion, MONEY, whitespace=''