上一期咱们介绍了应用 Python 数据荡涤的相干办法，本篇文章咱们介绍数据标准化的相干办法。
每个人都会遇到一些款式设计不够人性化的网页，比方“请输出你的电话号码，号码格局为 xxx-xxxx-xxxx”。
作为一名优良的程序员，你可能会问：”为什么不主动对输出的数据进行荡涤，去掉非数字内容，而后主动把数据加上分隔符呢？“数据标准化过程要确保荡涤后的数据在语言学上是等价的，比方电话号码尽管显示成”134-1234-5678“和”134-12345678“两种模式，然而理论号码是一样的。
还是用上一期的 n-gram 示例，让咱们在下面减少一些数据标准化的特色。
上期文章内容的显著问题，就是输入后果中蕴含太多反复的 2-gram 序列。程序把每个 2-gram 都退出了列表，没有统计过序列的频率。把握 2-gram 序列的频率，而不只是晓得某个序列是否存在，这有助于比照不同的数据荡涤和数据标准化算法的成果。如果数据标准化胜利了，那么惟一的 n-gram 序列数量就会缩小，而 n-gram 序列的总数（任何一个 n-gram 序列和与之反复的序列都被看成一个 n-gram 序列）不变，也就是说，同样数量的 n-gram 序列，通过去重之后“容量（bucket）”会缩小。
不过 Python 的字典是无序的，不能像数组一样间接对 n-gram 序列频率进行排序。字典外部元素的地位是不固定的，排序之后再次应用时还是发生变化，除非你把排序过的字典里的值复制到其余类型中进行排序。在 Python 中 collections 库外面有一个 OrderedDict 能够解决这个问题：
import re
import string
from collections import OrderedDict
from utils import connection_util
class DataCleaning(object):
def __init__(self):
self._target_url = 'https://en.wikipedia.org/wiki/python_(programming_language)'
self._init_connection = connection_util.ProcessConnection()
def getNgrams(self, input, n):
input = self.clean_input(input)
output = dict()
for i in range(len(input) - n + 1):
newNGram = " ".join(input[i:i + n])
if newNGram in output:
output[newNGram] += 1
else:
output[newNGram] = 1
return output
@staticmethod
def clean_input(input):
input = re.sub('\n+', " ", input)
input = re.sub('\[[0-9]*\]', "", input)
input = re.sub(' +', " ", input)
input = bytes(input, "UTF-8")
input = input.decode("ascii", "ignore")
input = input.split(' ')
clean_input = []
for item in input:
# string.punctuation 获取所有的标点符号
item = item.strip(string.punctuation)
if len(item) > 1 or (item.lower() == 'a' or item.lower() == 'i'):
clean_input.append(item)
return clean_input
def get_result(self):
# 连贯指标网站，获取内容
get_content = self._init_connection.init_connection(self._target_url)
if get_content:
content = get_content.find("div", {"id": "mw-content-text"}).get_text()
ngrams = self.getNgrams(content, 2)
ngrams = OrderedDict(sorted(ngrams.items(), key=lambda t: t[1], reverse=True))
print(ngrams)
print("2-grams count is: " + str(len(ngrams)))
if __name__ == '__main__':
DataCleaning().get_result()
这咱们应用了 Python 的排序函数（https://docs.python.org/zh-cn/3/howto/sorting.html）把序列频率转换成 OrderedDict 对象，并依照频率值排序。后果如下：
('Python Software', 37), ('2021 Retrieved', 36), ('Foundation Archived', 35), ('on June', 34), ('of Python', 28), ('in the', 25), ('such as', 23)
去掉语气词，以及连接词之后频率最高的是“Software Foundation”和“Python Software”。然而仔细观察后果会发现会有大小写字母的影响，“Python Software”有三次是“Python software”的模式，同样，“Van Rossum”和“van Rossum”也是作为两个序列来统计的。
因而，咱们减少一行代码：
input = input.upper()
到 clean_input() 函数里，这样就解决了下面的问题，同时缩小了反复的 2-gram 序列。
除了这些，还须要在考虑一下，本人打算为数据标准化的进一步深刻再投入多少计算力。很多单词在不同的环境里会应用不同的拼写模式，其实都是等价的，然而为了解决这种等价关系，你须要对每个单词进行查看，判断是否和其余单词有等价关系。
比方，“Python 1st”和“Python first”都呈现在 2-gram 序列外面。然而，如果减少一条规定：“让所有‘first’、‘secode’、‘third’……与 1st、2nd、3rd……等价”，那么每个单词就须要额定减少十几次查看。
同理，连字符应用不统一（像“co-ordinated”和“coordinated”）、单词拼写错误以及其余语病（incongruities）,都可能对 n-gram 序列的分组后果造成影响，如果语病很重大的话，很可能彻底打乱输入后果。
对连字符单词的一个解决办法是，首先把连字符去掉，而后把单词当作一个字符串，这可能须要在程序中减少一步操作。然而，这样做也可能把带连字符的短语（这种很常见，比方：“just-in-time”、“object-oriented”等）解决成一个字符串。要是换一种做法，把连字符换成空格可能会更好一些。然而就得筹备见到“co ordinated”和“ordinated attack”之类的 2-gram 序列了！
总结
这篇文章次要解说了在英文中对于数据标准化的相干内容，首先是对单词呈现的频率进行排序，之后对一些大小写进行转换，放大 2-gram 序列的反复内容，之后对一些连字符以及一些语法上的习惯进行解决。
解决实现后的内容咱们能够制作一个词云，如下：
以上就是这篇文章的全部内容。
源代码曾经托管于 Github 当中，地址：https://github.com/sycct/Scra…
如果有任何问题，欢送大家 issue。
转载请注明原文链接：关于python:爬虫系列数据标准化
