Pandas 将标记化空间结果导出到Excel或SQL表中
我正在使用Pandas 将标记化空间结果导出到Excel或SQL表中,pandas,xlsxwriter,spacy,Pandas,Xlsxwriter,Spacy,我正在使用SpaCy和Pandas将词性(POS)标记的句子导出到excel。代码如下: import spacy import xlsxwriter import pandas as pd nlp = spacy.load('en_core_web_sm') text ="""He is a good boy.""" doc = nlp(text) for token in doc: x=[token.text, token.lemma_, token.pos_, token.tag_
SpaCy
和Pandas
将词性(POS)标记的句子导出到excel。代码如下:
import spacy
import xlsxwriter
import pandas as pd
nlp = spacy.load('en_core_web_sm')
text ="""He is a good boy."""
doc = nlp(text)
for token in doc:
x=[token.text, token.lemma_, token.pos_, token.tag_,token.dep_,token.shape_, token.is_alpha, token.is_stop]
print(x)
当我打印(x)
时,我得到以下信息:
['He', '-PRON-', 'PRON', 'PRP', 'nsubj', 'Xx', True, False]
['is', 'be', 'VERB', 'VBZ', 'ROOT', 'xx', True, True]
['a', 'a', 'DET', 'DT', 'det', 'x', True, True]
['good', 'good', 'ADJ', 'JJ', 'amod', 'xxxx', True, False]
['boy', 'boy', 'NOUN', 'NN', 'attr', 'xxx', True, False]
['.', '.', 'PUNCT', '.', 'punct', '.', False, False]
在令牌循环中,我添加了数据帧,如下所示:
对于文档中的令牌:
for token in doc:
x=[token.text, token.lemma_, token.pos_, token.tag_,token.dep_,token.shape_, token.is_alpha, token.is_stop]
df=pd.Dataframe(x)
print(df)
现在,我统计得到以下格式:
0
0 He
1 -PRON-
2 PRON
3 PRP
4 nsubj
5 Xx
6 True
7 False
........
........
但是,当我尝试使用Pandas
作为以下代码将输出(df)导出到excel时,它只在列中显示x的最后一次迭代
df=pd.DataFrame(x)
writer = pd.ExcelWriter('pandas_simple.xlsx', engine='xlsxwriter')
df.to_excel(writer,sheet_name='Sheet1')
输出(在Excel表格中):
在这个场景中,我如何让所有迭代一个接一个地出现在新列中,如下所示
0 He is ….
1 -PRON- be ….
2 PRON VERB ….
3 PRP VBZ ….
4 nsubj ROOT ….
5 Xx xx ….
6 True True ….
7 False True ….
如果您还没有您的版本:
import pandas as pd
rows =[
['He', '-PRON-', 'PRON', 'PRP', 'nsubj', 'Xx', True, False],
['is', 'be', 'VERB', 'VBZ', 'ROOT', 'xx', True, True],
['a', 'a', 'DET', 'DT', 'det', 'x', True, True],
['good', 'good', 'ADJ', 'JJ', 'amod', 'xxxx', True, False],
['boy', 'boy', 'NOUN', 'NN', 'attr', 'xxx', True, False],
['.', '.', 'PUNCT', '.', 'punct', '.', False, False],
]
headers = ['text', 'lemma', 'pos', 'tag', 'dep',
'shape', 'is_alpha', 'is_stop']
# example 1: list of lists of dicts
#following https://stackoverflow.com/a/28058264/1758363
d = []
for row in rows:
dict_ = {k:v for k, v in zip(headers, row)}
d.append(dict_)
df = pd.DataFrame(d)[headers]
# example 2: appending dicts
df2 = pd.DataFrame(columns=headers)
for row in rows:
dict_ = {k:v for k, v in zip(headers, row)}
df2 = df2.append(dict_, ignore_index=True)
#example 3: lists of dicts created with map() function
def as_dict(row):
return {k:v for k, v in zip(headers, row)}
df3 = pd.DataFrame(list(map(as_dict, rows)))[headers]
def is_equal(df_a, df_b):
"""Substitute for pd.DataFrame.equals()"""
return (df_a == df_b).all().all()
assert is_equal(df, df2)
assert is_equal(df2, df3)
一些较短的代码:
import spacy
import pandas as pd
nlp = spacy.load('en_core_web_sm')
text ="""He is a good boy."""
param = [[token.text, token.lemma_, token.pos_,
token.tag_,token.dep_,token.shape_,
token.is_alpha, token.is_stop] for token in nlp(text)]
df=pd.DataFrame(param)
headers = ['text', 'lemma', 'pos', 'tag', 'dep',
'shape', 'is_alpha', 'is_stop']
df.columns = headers
数据帧的转置更有意义。使用df.append()按行添加@EvgenyPogrebnyak,如何?你能告诉我如何使用df.append更改它吗?试着通过,没有什么大的困难,如果不成功请回信。由于缺少编译器,我在安装SpaCy时遇到问题,因此无法为您提供快速准备的代码。谢谢@Evengy。我将尝试这段代码,看看它如何适合这个场景。顺便说一句,在完成这项工作后,我最终使用了一个替代库(CSV库)将输出作为字典导入,它可以工作,但我的输出是CSV而不是excel,因此我必须经历从CSV到excel的第二轮转换。我确实觉得Pandas DataFrame在某种程度上与SpaCy提供的不完全兼容,因为在几行内通过CSV进行操作相对容易。您可以使用
CSV
如果您对它更熟悉,它只是没有出现在您的问题中您想保存/保存数据,而是关于Pandas
的使用。希望您对转换想法不是完全不满意-SpaCy没有任何特殊类型的输出,只是名称为Tuples I guees。在任何情况下,都要不惜一切代价避免将Excel作为格式来保存中间数据,并确保单词是成行的,而不是成列的。@Evengy,只是对代码的快速反馈。当数据(行)是一个统计数组时,这三种方法都能很好地工作。然而,一旦它被SpaCy称为“令牌”,就会出现各种错误。我觉得SPaCY的NLP参数处理循环的方式不适合熊猫数据框架。使用CSV(CSV.DicWriter)这样的基本库,只需几行就可以完成这项工作,这样就可以将其进一步扩展到Excel。无论如何,谢谢你的投入,如果你有任何其他意见,请分享你的想法。很高兴你为你的项目整理好了它!如何在windows上编译SpaCy以进行安装?是否有测试编译器的命令?我安装了Visual Studio,但pip install spacy
在我身上停止,出现错误:命令'cl.exe'失败:没有此类文件或目录
错误。请在Conda环境(Anaconda)下尝试。我认为Spacy有自己的需求,最好是单独安装(从根Python)。谢谢。刚得到ValueError:长度不匹配:预期轴有6个元素,新值有8个元素
。因此,我尝试了df
而不使用.transpose()
,它可以完美地工作并符合目的。(正如您所提到的,将文本片段按行编辑比按列编辑更好)不使用.transpose()
,这确实是一个错误。
import spacy
import pandas as pd
nlp = spacy.load('en_core_web_sm')
text ="""He is a good boy."""
param = [[token.text, token.lemma_, token.pos_,
token.tag_,token.dep_,token.shape_,
token.is_alpha, token.is_stop] for token in nlp(text)]
df=pd.DataFrame(param)
headers = ['text', 'lemma', 'pos', 'tag', 'dep',
'shape', 'is_alpha', 'is_stop']
df.columns = headers