でインドネシア語を語幹私は右ここにいるそのデータの値CSVデータセットを持って enter image description hereSastrawi
だから、私はデータを前処理したいです。データのタイプはテキストなので、テキストマイニングを行います。しかし、私はステミングに混乱しています。私はデータを途切れさせようとしましたが、結果はすべてのニュースの言葉の数です。私は私の友人からコード参照を取得するが、私は変更したい。私は結果を改善するためにそのコードを変更したいと思う。私は結果が単語の各ニュースごとにすべてのニュースを分割しないことを願っています。私はコードを変更するのに役立ちます。
ここでコード:
import os
import pandas as pd
from pandas import DataFrame, read_csv
data = r'D:/SKRIPSI/sample_200_data.csv'
df = pd.read_csv(data)
print "DF", type (df['content']), "\n", df['content']
isiberita = df['content'].tolist()
print "DF list isiberita ", isiberita, type(isiberita)
df.head()
---------------------------------------------------------
import nltk
import string
import os
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from Sastrawi.Stemmer.StemmerFactory import StemmerFactory
from nltk.corpus import stopwords
from collections import Counter
path = 'D:/SKRIPSI/sample_200_data.csv'
token_dict = {}
factory = StemmerFactory()
stemmer = factory.create_stemmer()
content_stemmed = map(lambda x: stemmer.stem(x), isiberita)
content_no_punc = map(lambda x: x.lower().translate(None, string.punctuation), content_stemmed)
content_final = []
for news in content_no_punc:
\t word_token = nltk.word_tokenize(news) # get word token for every news (split news into each separate words)
\t word_token = [word for word in word_token if not word in nltk.corpus.stopwords.words('indonesian') and not word[0].isdigit()] # remove indonesian stop words and number
\t content_final.append(" ".join(word_token))
counter = Counter() # counter initiate
[counter.update(news.split()) for news in content_final] # we split every news to get counter of each words
print(counter.most_common(100))
だから、コードの結果は次のとおりです。
[('indonesia', 202), ('rp', 179), ('jakarta', 160), ('usaha', 149), ('investasi', 136), ('laku', 124), ('ekonomi', 100), ('negara', 86), ('harga', 86), ('industri', 84), ('izin', 84), ('menteri', 83), ('listrik', 79), ('juta', 76), ('pasar', 73), ('tani', 71), ('uang', 71), ('koperasi', 71), ('target', 66), ('perintah', 66), ('saham', 65), ('miliar', 64), ('kerja', 63), ('sektor', 62), ('investor', 61), ('bangun', 60), ('produk', 60), ('pajak', 60), ('capai', 60), ('layan', 58), ('bank', 57), ('produksi', 57), ('modal', 57), ('turun', 57), ('china', 56), ('milik', 55), ('tingkat', 54), ('us', 54), ('triliun', 53), ('tumbuh', 53), ('bkpm', 53), ('impor', 52), ('kembang', 51), ('pt', 49), ('jalan', 49), ('dana', 48), ('bandara', 48), ('negeri', 46), ('rencana', 45), ('nilai', 45), ('temu', 44), ('salah', 42), ('proyek', 41), ('masuk', 41), ('desember', 40), ('langsung', 40), ('hasil', 39), ('butuh', 39), ('rupa', 38), ('biaya', 37), ('kapal', 37), ('rusia', 37), ('franky', 37), ('hadap', 36), ('kredit', 35), ('utama', 35), ('carrefour', 35), ('bijak', 35), ('ikan', 35), ('tanam', 35), ('atur', 34), ('persero', 34), ('kait', 34), ('jam', 34), ('masyarakat', 32), ('gas', 32), ('pakai', 32), ('dagang', 31), ('kondisi', 31), ('transmart', 31), ('lihat', 31), ('bisnis', 31), ('nggak', 31), ('kawasan', 30), ('dorong', 30), ('tutup', 30), ('banding', 30), ('batas', 30), ('terima', 30), ('cepat', 30), ('jasa', 30), ('ton', 29), ('the', 29), ('pln', 29), ('ekspor', 29), ('barel', 29), ('as', 29), ('rumah', 29), ('orang', 28), ('pondok', 28)]
私は誰がCに私を助けることを願って私は結果を得ることができるようにコードをハンギングしますすべてのニュース(コンテンツ)のすべての単語ではなく、すべてのニュース(コンテンツ)の単語の数 "。ありがとうございました。
をインドネシアNLTKコーパスを取得する方法言語? – yfsx