Twitter APIで取得したデータをクリーニングする(前処理)
前回、TwitterのAPIを使って、学習用データを簡易に取得する方法について記事化しました。
取得したデータは、かなり自由に書かれています。このままでは学習データとして使えませんので、いくつかのフィルターをかけて整形していきます。
(1) HTMLや@で始まるIDの削除
リンク先を示すHTMLや宛先を示すアカウントIDなどは削除しておきます。
(2)全角半角の統一
カタカナや英数文字、記号などの全半角を統一します。
(3)空白文字(スペース)の処理
全半角のスペースを統一したり、文章の前後にある空白を削除します。
参考にしたサイトはこちらです。neologd/mecab-ipadic-neologd
Sample Code
pythonでの文字列変換には、正規表現を使って操作するreを使います。以下のコードでは、@から始まるワード、#から始まるワード、https://から始まるワードを''(文字列なし)に置き換えて除去しています。
import re
def clean_text(text):
replaced_text = re.sub(r'[@@]\w+', '', text)
replaced_text = re.sub(r'#\w+', '', replaced_text)
replaced_text = re.sub(r'https\S+', '', replaced_text)
return replaced_text
# \wはアルファベット、数字、アンダスコア( _ )のどれかの1文字と一致
# \Sは半角スペース、タブ、改行以外の1文字と一致
# []は含まれるどれか一文字と一致
# +は、直前の文字の1回以上の繰り返しと一致
実行結果は以下のようになります。
cleaned_text = clean_text('RT @abc12_3def: 今年はWBC⚾のあと、ラクビー🏈とバスケ🏀のワールドカップも控えるスポーツイヤー。 #スポーツ 詳細はこちら https://abcd.ef/ghi.html')
print(cleaned_text)
#result
RT : 今年はWBC⚾のあと、ラクビー🏈とバスケ🏀のワールドカップも控えるスポーツイヤー。 詳細はこちら
これだけではうまくいかないケースもあるかと思いますので、ご利用される場合には結果を確認しながらご利用ください。
全半角の統一、空白の処理については、先述の参考サイトのコードを転載させていただきます。こちらも基本的にはreを使った文字列の置き換えになっていますので、必要に応じて修正して使えば良いかと思います。例えば「〜(チルダ)」を除去するようになっていましたが、私はコメントアウトしました。
# encoding: utf8
from __future__ import unicode_literals
import re
import unicodedata
def unicode_normalize(cls, s):
pt = re.compile('([{}]+)'.format(cls))
def norm(c):
return unicodedata.normalize('NFKC', c) if pt.match(c) else c
s = ''.join(norm(x) for x in re.split(pt, s))
s = re.sub('-', '-', s)
return s
def remove_extra_spaces(s):
s = re.sub('[ ]+', ' ', s)
blocks = ''.join(('\u4E00-\u9FFF', # CJK UNIFIED IDEOGRAPHS
'\u3040-\u309F', # HIRAGANA
'\u30A0-\u30FF', # KATAKANA
'\u3000-\u303F', # CJK SYMBOLS AND PUNCTUATION
'\uFF00-\uFFEF' # HALFWIDTH AND FULLWIDTH FORMS
))
basic_latin = '\u0000-\u007F'
def remove_space_between(cls1, cls2, s):
p = re.compile('([{}]) ([{}])'.format(cls1, cls2))
while p.search(s):
s = p.sub(r'\1\2', s)
return s
s = remove_space_between(blocks, blocks, s)
s = remove_space_between(blocks, basic_latin, s)
s = remove_space_between(basic_latin, blocks, s)
return s
def normalize_neologd(s):
s = s.strip()
s = unicode_normalize('0-9A-Za-z。-゚', s)
def maketrans(f, t):
return {ord(x): ord(y) for x, y in zip(f, t)}
s = re.sub('[˗֊‐‑‒–⁃⁻₋−]+', '-', s) # normalize hyphens
s = re.sub('[﹣-ー—―─━ー]+', 'ー', s) # normalize choonpus
#s = re.sub('[~∼∾〜〰~]', '', s) # remove tildes
s = s.translate(
maketrans('!"#$%&\'()*+,-./:;<=>?@[¥]^_`{|}~。、・「」',
'!”#$%&’()*+,-./:;<=>?@[¥]^_`{|}〜。、・「」'))
s = remove_extra_spaces(s)
s = unicode_normalize('!”#$%&’()*+,-./:;<>?@[¥]^_`{|}〜', s) # keep =,・,「,」
s = re.sub('[’]', '\'', s)
s = re.sub('[”]', '"', s)
return s