j'ai une colonne dans une Pandas df qui a été tokenized en utilisant:listes de marquage des mots lexicalisés
df['token_col'] = df.col.apply(word_tokenize)
Maintenant, je suis en train de marquer ces mots tokenizés en utilisant:
df['pos_col'] = nltk.tag.pos_tag(df['token_col'])
df['wordnet_tagged_pos_col'] = [(w,get_wordnet_pos(t)) for (w, t) in (df['pos_col'])]
Mais je « obtiens une erreur que je ne peux pas tout à fait comprendre:
AttributeError Traceback (most recent call last)
<ipython-input-28-99d28433d090> in <module>()
1 #tag tokenized lists
----> 2 df['pos_col'] = nltk.tag.pos_tag(df['token_col'])
3 df['wordnet_tagged_pos_col'] = [(w,get_wordnet_pos(t)) for (w, t) in (df['pos_col'])]
C:\Users\egagne\AppData\Local\Continuum\Anaconda3\lib\site-packages\nltk\tag\__init__.py in pos_tag(tokens, tagset, lang)
125 """
126 tagger = _get_tagger(lang)
--> 127 return _pos_tag(tokens, tagset, tagger)
128
129
C:\Users\egagne\AppData\Local\Continuum\Anaconda3\lib\site-packages\nltk\tag\__init__.py in _pos_tag(tokens, tagset, tagger)
93
94 def _pos_tag(tokens, tagset, tagger):
---> 95 tagged_tokens = tagger.tag(tokens)
96 if tagset:
97 tagged_tokens = [(token, map_tag('en-ptb', tagset, tag)) for (token, tag) in tagged_tokens]
C:\Users\egagne\AppData\Local\Continuum\Anaconda3\lib\site-packages\nltk\tag\perceptron.py in tag(self, tokens)
150 output = []
151
--> 152 context = self.START + [self.normalize(w) for w in tokens] + self.END
153 for i, word in enumerate(tokens):
154 tag = self.tagdict.get(word)
C:\Users\egagne\AppData\Local\Continuum\Anaconda3\lib\site-packages\nltk\tag\perceptron.py in <listcomp>(.0)
150 output = []
151
--> 152 context = self.START + [self.normalize(w) for w in tokens] + self.END
153 for i, word in enumerate(tokens):
154 tag = self.tagdict.get(word)
C:\Users\egagne\AppData\Local\Continuum\Anaconda3\lib\site-packages\nltk\tag\perceptron.py in normalize(self, word)
236 if '-' in word and word[0] != '-':
237 return '!HYPHEN'
--> 238 elif word.isdigit() and len(word) == 4:
239 return '!YEAR'
240 elif word[0].isdigit():
AttributeError: 'list' object has no attribute 'isdigit'
Si cela fait une différence, ma prochaine étape sera lemmatizin g ces jetons marqués à l'aide:
df['lmtzd_col'] = [(lmtzr.lemmatize(w, pos=t if t else 'n').lower(),t) for (w,t) in wordnet_tagged_pos_col]
print(len(set(wordnet_tagged_pos_col)),(len(set(df['lmtzd_col']))))
MY df est plus de 70 colonnes de large, alors voici un petit aperçu:
ID_number Meeting1 Meeting2 Meeting3 Meeting4 Meeting5 col
123456789 9/15/2015 1/8/2016 4/27/2016 NaN NaN [Assessment, of, Improvement, will, be, on-goi...
987654321 9/22/2016 NaN 2/25/2017 NaN NaN [A, member, of, the, administrative, team, wil..
456789123 10/1/2015 11/30/2015 NaN NaN NaN [During, our, second, and, third, meetings, we...
Pouvez-vous poster un échantillon de col? – Dark
@Bharathshetty - a ajouté quelques exemples de données – LMGagne
'get_wordnet_pos' n'est pas un droit intégré? – Dark