在做文本分类的实验时，找到一个微博的情感分析语料，但是其中保留了很多微博中的特殊符号，对于算法的训练来说不太有利。
从上面的图中可以看到，微博里主要有几种特殊格式：
网页@用户名（包括转发路径上的其他用户名）表情符号(用[]包围)话题(用#包围)
作为机器学习的预处理步骤，我希望能够处理掉前3个格式，原因是：
1、2不包含有意义的内容(不过我去除转发用户名的时候保留了其内容)3 实际上泄露了很多标签的信息（比如看的[哈哈]表情符就知道是正向了）。我初步尝试时保留了这些表情符，模型的准确率可达到超过97%，但模型只是看表情符，却没有对文本的理解。去除表情符后相同模型重新训练的准确率掉到了74.5%而保留4，是因为它们常常是构成句子完整性不可或缺的成分，比如上图中的最后一句话
下面是代码：
import redef clean(text):text = re.sub(r"(回复)?(//)?\s*@\S*?\s*(:| |$)", " ", text) # 去除正文中的@和回复/转发中的用户名text = re.sub(r"\[\S+\]", "", text)# 去除表情符号# text = re.sub(r"#\S+#", "", text)# 保留话题内容URL_REGEX = pile(r'(?i)\b((?:https?://|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?«»“”‘’]))',re.IGNORECASE)text = re.sub(URL_REGEX, "", text) # 去除网址text = text.replace("转发微博", "") # 去除无意义的词语text = re.sub(r"\s+", " ", text) # 合并正文中过多的空格return text.strip()
使用效果：
In[3]: clean("太过分了@Rexzhenghao //@Janie_Zhang:招行最近负面新闻越来越多呀...")Out[3]: '太过分了 招行最近负面新闻越来越多呀...'In[4]: clean("希望你?得好?我本＂?肥血?史＂[晕][哈哈]@Pete三姑父")Out[4]: '希望你?得好?我本＂?肥血?史＂'In[5]: clean("回复@钱旭明QXM:[嘻嘻][嘻嘻] //@钱旭明QXM:杨大哥[good][good]")Out[5]: '杨大哥'In[6]: clean("【#赵薇#：正筹备下一部电影 但不是青春片..../8FLopdQ")Out[6]: '【#赵薇#：正筹备下一部电影 但不是青春片....'In[7]: clean("[酷]//@芊如_GZ:[哈哈]// @布丁clout : 哈哈 // @audrey-panda :试了我家那位，说我属于＂放心的没法看的＂[晕] // @芊如_GZ :[晕]")Out[7]: '哈哈 试了我家那位，说我属于＂放心的没法看的＂'
需要清洗数据的场景，除了微博以外，还有HTML代码，URL，Email等，所以我将一批常用的数据清洗操作整合进了我开发的HarvestText库（/blmoistawinde/HarvestText）中，还有精细分句，指定实体分词等功能，简化大家的数据分析流程，欢迎试用~
