我使用Spacy nlp.pipe((为pandas Dataframe列中的文本数据获取文档对象,但解析后的文本返回为";文本";代码中的长度仅为32。然而,数据帧的形状是(14640,16(。如果有人想读取数据,这里有数据链接。
nlp = spacy.load("en_core_web_sm")
for text in nlp.pipe(iter(df['text']), batch_size = 1000, n_threads=-1):
print(text)
len(text)
结果:
32
有人能帮我吗?发生了什么事?我做错了什么?
根据此处Doc
对象的Spacy Documentation,__len__
操作符获取"文档中的令牌数"。
数据中的最后一个文本是:
>>> df['text'].values[-1]
@AmericanAir we have 8 ppl so we need 2 know how many seats are on the next flight. Plz put us on standby for 4 people on the next flight?
运行nlp.pipe()
方法后,这句话将被标记为32个标记,这正是您所要求的。为了验证这一点,请尝试在len(text)
之后运行以下代码,会得到确切的结果:
>>> last_tokens = [token for token in text]
>>> last_tokens
[@AmericanAir, we, have, 8, ppl, so, we, need, 2, know, how, many, seats, are, on, the, next, flight, ., Plz, put, us, on, standby, for, 4, people, on, the, next, flight, ?]
>>> len(last_tokens)
32
编辑
您可以迭代从管道返回的每个doc
的令牌,如下所示:
nlp = spacy.load("en_core_web_sm")
for text in nlp.pipe(iter(df['text']), batch_size = 1000, n_threads=-1):
for token in text:
print(token)
print('n')