TypeError:字符串索引必须是整数(CSV文件中的文本数据预处理以进行情感分析)

Question

我是编程和NLP的新手。我在此网站上找到了一些代码：( https：//towardsdatascience.com/creating-the-twitter-sentiment-sentiment-analysis-program-inprogram-in-python-with-neive-neive-nive-classification-672E5589A7ED(用于情感分析在Twitter上。我有我需要的CSV文件，因此，不用构建它们，而只是通过文件定义了变量。

当我尝试运行代码时，运行此行时会给我一个类型错误：

preprocessedtrainingset = tweetProcessor.processtweets(triberdata(

并跟踪回到行：

processedtweets.append(((self._processtweet(tweet [" text"]((，tweet [" label"]((。

我不知道如何绕过问题，并且仍然保持代码的核心功能。

import pandas as pd
import re
from nltk.tokenize import word_tokenize
from string import punctuation 
from nltk.corpus import stopwords 
import twitter
import csv
import time
import nltk
nltk.download('stopwords')
testDataSet = pd.read_csv("Twitter data.csv")
print(testDataSet[0:4])
trainingData = pd.read_csv("full-corpus.csv")
print(trainingData[0:4])

class PreProcessTweets:
    def __init__(self):
        self._stopwords = set(stopwords.words('english') + list(punctuation) + ['AT_USER','URL'])
    def processTweets(self, list_of_tweets):
        processedTweets=[]
        for tweet in list_of_tweets:
            processedTweets.append((self._processTweet(tweet["text"]),tweet["label"]))
        return processedTweets
    def _processTweet(self, tweet):
        tweet = tweet.lower() # convert text to lower-case
        tweet = re.sub('((www.[^s]+)|(https?://[^s]+))', 'URL', tweet) # remove URLs
        tweet = re.sub('@[^s]+', 'AT_USER', tweet) # remove usernames
        tweet = re.sub(r'#([^s]+)', r'1', tweet) # remove the # in #hashtag
        tweet = word_tokenize(tweet) # remove repeated characters (helloooooooo into hello)
        return [word for word in tweet if word not in self._stopwords]
tweetProcessor = PreProcessTweets()
preprocessedTrainingSet = tweetProcessor.processTweets(trainingData)
preprocessedTestSet = tweetProcessor.processTweets(testDataSet)

我希望它能开始清洁我发现的数据，然后才能开始使用幼稚的贝叶斯

Answer 1

没有您的实际数据很难说，但我认为您彼此相互困惑。

1. 加载CSV-DATA时，您正在制作PANDAS DataFrame。
2. 然后，在ProcessTweets方法中，您正在尝试像列表一样循环浏览此数据框架。
3. 终于，在访问列表值的processTweets的福音循环中，您称之为" tweet"的列表，您正在尝试使用键'text'和label访问'tweet'的值'。但是，我怀疑您在那里有一个字典。

我从此网站下载了一些推文。有了这些数据，我测试了您的代码并进行了以下调整。

import pandas as pd
import re
from nltk.tokenize import word_tokenize
from string import punctuation
from nltk.corpus import stopwords
import nltk
#had to install 'punkt'
nltk.download('punkt')
nltk.download('stopwords')
testDataSet = pd.read_csv("data.csv")
# For testing if the code works I only used a TestDatasSet, and no trainingData.

class PreProcessTweets:
    def __init__(self):
        self._stopwords = set(stopwords.words('english') + list(punctuation) + ['AT_USER','URL'])
    # To make it clear I changed the parameter to df_of_tweets (df = dataframe)
    def processTweets(self, df_of_tweets):
        processedTweets=[]
        #turning the dataframe into lists
        # in my data I did not have a label, so I used sentiment instead.
        list_of_tweets = df_of_tweets.text.tolist()
        list_of_sentiment = df_of_tweets.sentiment.tolist()
        # using enumerate to keep track of the index of the tweets so I can use it to index the list of sentiment
        for index, tweet in enumerate(list_of_tweets):
            # adjusted the code here so that it takes values of the lists straight away.
            processedTweets.append((self._processTweet(tweet), list_of_sentiment[index]))
        return processedTweets
    def _processTweet(self, tweet):
        tweet = tweet.lower() # convert text to lower-case
        tweet = re.sub('((www.[^s]+)|(https?://[^s]+))', 'URL', tweet) # remove URLs
        tweet = re.sub('@[^s]+', 'AT_USER', tweet) # remove usernames
        tweet = re.sub(r'#([^s]+)', r'1', tweet) # remove the # in #hashtag
        tweet = word_tokenize(tweet) # remove repeated characters (helloooooooo into hello)
        return [word for word in tweet if word not in self._stopwords]

tweetProcessor = PreProcessTweets()
preprocessedTestSet = tweetProcessor.processTweets(testDataSet)
tweetProcessor = PreProcessTweets()
print(preprocessedTestSet)

希望它有帮助！