-
Notifications
You must be signed in to change notification settings - Fork 1
/
preprocessing.py
183 lines (120 loc) · 6.02 KB
/
preprocessing.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
import pandas as pd
import spacy
import nltk
from nltk.corpus import stopwords
from unidecode import unidecode
import re
from nltk.stem import PorterStemmer
from nltk.tokenize import word_tokenize
##############################################################
## Nettoyage des caracteres non alphabetiques
def nettoyage(texte):
#supprimer les caracteres speciaux et la ponctuation
texte_propre = re.sub(r'[^a-z\s]', '', texte)
return texte_propre
def read_stopwords(chemin_fichier):
stopwords = []
# Ouverture du fichier en mode lecture
with open(chemin_fichier, 'r') as fichier:
# Lecture du fichier ligne par ligne
for ligne in fichier:
# Nettoyage de la ligne (suppression des espaces en début et fin, et des sauts de ligne)
mot = ligne.strip()
# Ajout du mot à la liste des stopwords
stopwords.append(mot)
return set(stopwords)
###############################
stopwords_french = read_stopwords("stopwords-fr-iso.txt") #~ 700 stopwords
stopwords_french = stopwords_french.union(set(['savoir', 'devoir', 'falloir', 'faire']))
caracteres_fichier = set(['\n', '\t', '\r\n'])
############################preprocessing Président##########################
def preprocess_president(df_input, spacy_model_size='sm', stop_words=True):
"""Prétraitement du dataset Président. lemmatisation, tokenisation, stopwords, minuscules, suppression des caractères non alphabétiques
Args:
df_input (dataframe): dataframe des documents originaux
spacy_model_size (str): charger le petit ou le grand modèle de langue de spacy
stop_words (bool): niveau de suppression des stopwords
Returns:
dataframe: dataframe prétraité
"""
"""
Note :
- Nous avons choisi SpaCy pour la lemmatization car il est plus adapté que nltk :
"j'ai" reste la même avec nltk, mais avec spacy elle devient "je avoir",
et "qu'il" devient "que il", c'est plus pratique pour maintenant effectuer l'élimination des stopwords
"""
df = df_input.copy()
if spacy_model_size == 'lg':
nlp = spacy.load("fr_core_news_lg")
elif spacy_model_size == 'sm':
nlp = spacy.load("fr_core_news_sm")
## Tokenization et lemmatisation et Suppression des stop words
def tokenization_lemmatization_stopWords(texte):
doc = nlp(texte)
stopwords_fr_nltk = set(stopwords.words('french'))
tok_lemm_text = []
for token in doc:
mot_lemmatised = token.lemma_
if stop_words: #Si stop_words == True, on utilise le gros fichier, sinon on utilise la petite liste de nltk
if mot_lemmatised not in stopwords_french.union(caracteres_fichier):
tok_lemm_text.append(mot_lemmatised)
elif mot_lemmatised not in stopwords_fr_nltk.union(caracteres_fichier):
tok_lemm_text.append(mot_lemmatised)
return " ".join(tok_lemm_text)
df.text= df.text.apply(lambda text:tokenization_lemmatization_stopWords(text))
## Transformer les accents en lettres non accentuées
df.text=df.text.apply(lambda x:x.lower())
df.text=df.text.apply(lambda x:unidecode(x))
## Nettoyage
df.text= df.text.apply(lambda text:nettoyage(text))
return df
############################preprocessing Movies##########################
stopwords_english = read_stopwords("Stopword_alir3z4.txt")
not_stop_words = {'like', 'good', 'bad', 'not', "don't"}
stopwords_english = stopwords_english.difference(not_stop_words)
def preprocess_movies(df_input, stemming=True, spacy_model_size='sm', stop_words=True):
"""Prétraitement du dataset Movies. stemming, lemmatisation, tokenisation, stopwords, minuscules, suppression des caractères non alphabétiques
Args:
df_input (dataframe): dataframe des documents originaux
stemming (bool): Appliquer ou non le stemming (incompatible avec lemmatisation)
spacy_model_size (str): charger le petit ou le grand modèle de langue de spacy
stop_words (bool): niveau de suppression des stopwords
Returns:
dataframe : documents prétraités
"""
df = df_input.copy()
# Charger le modèle de langue si besoin
if not stemming:
if spacy_model_size == 'lg':
nlp = spacy.load("en_core_web_lg")
elif spacy_model_size == 'sm':
nlp = spacy.load("en_core_web_sm")
# Tokenization et lemmatisation et Suppression des stop words
def tokenization_lemmatization_stopWords(texte):
if not stemming:
doc = nlp(texte)
else:
doc = nltk.word_tokenize(texte)
tok_lemm_text = []
for token in doc:
if not stemming : #On fait la lemmatisation
mot_lemmatised=token.lemma_
if mot_lemmatised not in stopwords_english.union(caracteres_fichier):
tok_lemm_text.append(mot_lemmatised)
else: #On fait le stemming
stemmer = PorterStemmer()
if stop_words:
if token not in stopwords_english.union(caracteres_fichier) and (len(token) >= 3) :
mot_stemmed = stemmer.stem(token)
tok_lemm_text.append(mot_stemmed)
elif token not in caracteres_fichier and (len(token) >= 3):
mot_stemmed = stemmer.stem(token)
tok_lemm_text.append(mot_stemmed)
return " ".join(tok_lemm_text)
df.text = df.text.apply(lambda text:tokenization_lemmatization_stopWords(text))
## Transformer les accents en lettres non accentuées
df.text = df.text.apply(lambda x:x.lower())
df.text = df.text.apply(lambda x:unidecode(x))
## Nettoyage
df.text = df.text.apply(lambda text:nettoyage(text))
return df