Заменить объект своей меткой объекта с помощью spacy

Dec 17 2020

Я хочу сделать для своих данных замену каждой сущности ее меткой с помощью Spacy, и у меня есть 3000 текстовых строк, необходимых для замены сущностей на их метку,

Например:

«Недавно Грузия стала первым штатом США, который« запретил мусульманскую культуру ».

И хочу стать таким:

«GPE недавно стало ОБЫЧНЫМ государством GPE, чтобы« запретить культуру NORP. "

Я хочу, чтобы код заменял более строк текста.

Огромное спасибо.

Например, эти коды, но для одного предложения я хочу изменить s (строку), чтобы столбец содержал 3000 строк

Первый: from ( Заменить объект на его метку в 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.

Второй: from ( Объединение тегов в мой файл с использованием аннотации именованного объекта )

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>

Ответы

1 SergeyBushmanov Dec 17 2020 at 13:45

IIUC, вы можете добиться того, чего хотите, с помощью:

  1. Чтение ваших текстов из файла, каждый текст в отдельной строке
  2. Обработка результатов путем замены сущностей, если таковые имеются, их тегами
  3. Запись результатов на диск, каждый текст на отдельной строке

Демо:

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))

Содержимое входного файла:

Недавно Джорджия стала первым штатом США, который «запретил мусульманскую культуру.
Его друг Николас Дж. Смит находится здесь с Бартом Симпоном и Фредом.
Apple рассматривает возможность покупки британского стартапа за 1 миллиард долларов.

Содержание выходного файла:

GPE недавно стал ОБЫЧНЫМ государством GPE, чтобы «запретить культуру NORP.
Его друг PERSON PERSON находится здесь с
PERSON PERSON и PERSON . ORG рассматривает возможность покупки стартапа GPE за MONEYMONEY MONEY.

Обратите внимание на MONEYMONEYузор.

Это потому что:

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=''