Tokenizer

NLTK, torchtext
tokenize: corpus를 token 단위로 나누는 작업
corpus(복수형: corpora): 자연언어 연구를 위해 특정한 목적을 가지고 언어의 표본을 추출한 집합

데이터 전처리

데이터셋 불러오기

• NLTK - Natural Language Tookit

import pandas as pd # 
import nltk
import re

df = pd.read_csv("/Users/사용자이름/netflix_reviews.csv") 

문장부호, 숫자 제거, 소문자 처리

The only reason I didn't give it four stars is that In my opinion, there are too many foreign films. When I'm done working hard all day. I don't want to have to read subtitles. UPDATE: 10/19/24

• cleaned = re.sub('[^a-zA-Z]', ' ', sample) : 알파벳이 아닌 경우 공백 처리
• cleaned.lower() : 소문자화

the only reason i didn t give it four stars is that in my opinion there are too many foreign films when i m done working hard all day i don t want to have to read subtitles update

불용어 처리

• 불용어: 자주 등장하지만 실제 의미 분석에는 기여가 없는 단어
• from nltk.corpus import stopwords: 불용어 목록 불러오기
• nltk.download('stopwords'): NLTK 는 패키지 설치시 모든 데이터를 다운로드하지 않음, 모듈마다 필요한 데이터를 따로 다운로드
• eng_stopwords = stopwords.words('english'): 영어 불용어 목록 불러오기

  ['i',
  'me',
  'my',
  ...
  "won't",
  'wouldn',
  "wouldn't"]

• sample.split(): 공백을 기준으로 단어를 끊어서 나열, 불용어 목록과 대조하기 위해 사용

  ['The',
  'only',
  'reason',
  ...
  'BEGINNING!!!!!!',
  "I'M",
  'DONE']

문장 전처리 함수화

• isinstance : 객체의 타입 확인
• ' '.join() : 문자열 하나로 합치기

def preprocessing(sentence):
  if isinstance(sentence, float): return '' 
  cleaned = re.sub('[^a-zA-Z]', ' ', sentence)
  cleaned = cleaned.lower()
  cleaned = [word for word in cleaned.split() if word not in eng_stopwords ] 
  # 불용어 목록에 없는 단어만 반환
  return ' '.join(cleaned)
  # .split() 처리한 것 다시 붙여주기

데이터셋 전체 적용

• .apply() : 함수 적용

reviews = df['content']
cleaned_reviews = reviews.apply(preprocessing)
cleaned_reviews.head(10)

0 open
1 best app
2 famous korean drama dubbed hindi sense paying ...
3 superb please add comments section us like you...
4 reason give four stars opinion many foreign fi...
5 amazing
6 pure greatness
7 good
8 experiencing error
9 anti indian propoganda filler fool
Name: content, dtype: object

표제어 추출

• NLTK 모듈 사용

from nltk.stem import WordNetLemmatizer 
nltk.download('wordnet')
# 단어의 형태 통일 - 동사의 원형 등

• 명사 또는 동사의 원형 추출

lemmatizer = WordNetLemmatizer()
lemmatizer.lemmatize('runs')
lemmatizer.lemmatize('runs', 'v')
#
'run'

• 함수 선언

def process_lemma(sentence):
    return [lemmatizer.lemmatize(word, 'v') for word in sentence]

문장 전처리 모듈화

def preprocessing(sentence):
  if isinstance(sentence, float): return ''
  cleaned = re.sub('[^a-zA-Z]', ' ', sentence)
  cleaned = cleaned.lower()
  cleaned = cleaned.strip() # 띄어쓰기 제외 공백 제거
  cleaned = [word for word in cleaned.split() if word not in eng_stopwords ]
  cleaned = process_lemma(cleaned)
  return ' '.join(cleaned) # 공백 제거 ' ' -> ''

0 open
1 best app
2 famous korean drama dub hindi sense pay subscr...
3 superb please add comment section us like youtube
4 reason give four star opinion many foreign fil...
5 amaze
6 pure greatness
7 good
8 experience error
9 anti indian propoganda filler fool
Name: content, dtype: object

Tokenize

torchtext

모듈 import

• import torchtext; torchtext.disable_torchtext_deprecation_warning(): "torchtext의 마지막 버전 경고" 무시
• from torchtext.data.utils import get_tokenizer
• from torchtext.vocab import build_vocab_from_iterator
  • iterator를 이용하여 vocab(단어장) 생성

tokenize

words = "Betty Botter bought bit of Bitter Butter"
tokenizer = get_tokenizer('basic_english')
tokenizer(words)
# 
['betty', 'botter', 'bought', 'bit', 'of', 'bitter', 'butter']

vocab

• torchtext의 vocab 클래스의 object: 단어 집합
• parametrt
  • 사용할 iterator
  • min_freq: 최소 빈도
  • specials: special token(별도 처리)의 list
• 기능
  get_stoi(): str : index 반환
  get_itos(): str 반환

vocab = build_vocab_from_iterator(tokenizer(words), specials=['<unk>'])
vocab.get_stoi() 
#
{'o': 4,
 'h': 10,
 'i': 6,
 'f': 8,
 'b': 2,
 'u': 7,
 'e': 3,
 'y': 11,
 'g': 9,
 't': 1,
 'r': 5,
 '<unk>': 0}

tokenize iterator

generator 사용

• 문장이 주어질 때마다 토큰 반환

def yield_tokens(sentences):
    for text in sentences:
        yield tokenizer(text)

vocab 생성

vocab = build_vocab_from_iterator(yield_tokens(df['reviews'].tolist()), 
                                  specials=['<UNK>'],   # 스페셜 토큰
                                  min_freq=2,           # 최소 빈도 토큰
                                  max_tokens=1000,      # 최대 토큰 개수
                                 )
# string -> index
stoi = vocab.get_stoi()
# index -> string
itos = vocab.get_itos()

tensorflow

tokenizer 세팅

• from tensorflow.keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer(oov_token='<OOV>') # 없는 데이터 치환
tokenizer.fit_on_texts(cleaned_reviews) # 단어집 생성
len(tokenizer.word_index) # 단어집 개수 33014

netflix 2
app 3
watch 4
show 5
movies 6
good 7
like 8
get 9
use 10
love 11
work 12
please 13
time 14
update 15
great 16
phone 17
download 18
even 19
try 20
go 21