如何将Polyglot Detector功能应用于数据帧

Question

假设我有一个名为df.Text的列，其中包含文本(超过1个句子(，并且我想使用多语言Detector来检测语言并将值存储在新列df['Text-Lang']中，我如何确保我也捕获其他详细信息，如code和confidence

testEng ="This is English"
lang = Detector(testEng)
print(lang.language)

返回

名称：英文代码：置信度：94.0读取字节数：1920

但

df['Text-Lang','Text-LangConfidence']= df.Text.apply(Detector)

以结束

AttributeError："float"对象没有属性"encode"和Detector不能可靠地检测语言。

我是错误地应用了检测器功能，还是错误地存储了输出，还是其他什么？

Answer 1

首先，如果语言检测只需要polyglot，最好直接使用pycld2，这是在幕后使用的。它具有许多更清洁的API。

也就是说，您声明的错误来自Text列中的一个值，它是一个实数。因此，您必须将这样的值转换为字符串。

你将偶然发现的下一个问题是最小的文本长度。如果文本太短，polyglot将引发异常。您必须通过传递quiet=True来使异常静音。

现在，应用Detector将返回一个对象。因此，您必须对其进行解析以提取您想要的信息。要提取语言名称，您必须导入icu模块(它是polyglot的依赖项，所以您已经安装了它(：

import icu
df.Text = df.Text.astype(str)
df['poly_obj'] = df.Text.apply(lambda x: Detector(x, quiet=True))
df['Text-lang'] = df['poly_obj'].apply(lambda x: icu.Locale.getDisplayName(x.language.locale))
df['Text-LangConfidence'] = df['poly_obj'].apply( lambda x: x.language.confidence)

之后，您可以删除poly_obj列。

Answer 2

你可以试试这个：

testEng ="This is English"
lang = Detector(testEng)
df['Text-Lang']=lang.language.code
df['Text-LangConfidence']=leng.language.confidence