Я загрузил и очистил набор RSS-каналов для использования в качестве корпуса с NLTK для тестирования классификации. Но когда я запускаю частотное распределение, многие из лучших результатов кажутся специальными символами:
<FreqDist: '\x92': 494, '\x93': 300, '\x97': 159, ',\x94': 134, 'company': 124, '.\x94': 88, 'app': 84, 'Twitter': 82, 'people': 76, 'time': 73, ...>
Я попробовал предложение в вопросе здесь и инициализировал корпус таким образом (указав кодировку):
my_corpus = CategorizedPlaintextCorpusReader('C:\\rss_feeds', r'.*/.*', cat_pattern=r'(.*)/.*',encoding='iso-8859-1')
print len(my_corpus.categories())
myfreq_dist = make_training_data(my_corpus)
но это только изменило результаты на:
<FreqDist: u'\x92': 494, u'\x93': 300, u'\x97': 159, u',\x94': 134, u'company': 124, u'.\x94': 88, u'app': 84, u'Twitter': 82, u'people': 76, u'time': 73, ...>
Кодировка файла кода Python установлена:
# -*- coding: iso-8859-1 -*-
Для полноты картины я использую следующий код, чтобы преобразовать Corpus Reader в обучающие данные:
def make_training_data(rdr):
all_freq_dist = []
#take union of all stopwords and punctuation marks
punctuation = set(['.', '?', '!', ',', '$', ':', ';', '(',')','-',"`",'\'','"','>>','|','."',',"'])
full_stop_set = set(nltk.corpus.stopwords.words('english')) | punctuation
for c in rdr.categories():
all_category_words = []
for f in rdr.fileids(c):
#try to remove stop words and punctuation
filtered_file_words = [w for w in rdr.words(fileids=[f]) if not w.lower() in full_stop_set]
#add the words from each file to the list of words for the category
all_category_words = all_category_words + filtered_file_words
list_cat_fd = FreqDist(all_category_words), c
print list_cat_fd
all_freq_dist.append(list_cat_fd)
return all_freq_dist
Когда я открываю сами файлы в Notepad++, он говорит, что они закодированы в ANSI.
В идеале я хотел бы удалить специальные символы и знаки препинания из списка слов перед созданием частотного распределения. Любая помощь будет принята с благодарностью.