[ 中文 | English]
cnlp = cn + nlp
1 功能
- cnlp.data: 一个通用的文本处理器。
- cnlp.dataset: 提供常见的数据集加载。
- cnlp.model: 提供常见的模型。
2 安装
2.1 pip 安装
pip install cnlp2.2 手动安装
git clone https://github.com/dovolopor-research/cnlp.git
cd cnlp && python setup.py install3 快速上手
中文分词
分词是中文自然语言处理最基础的任务之一，我们先来看个分词的例子。
from cnlp.data import Tokenizer
t = Tokenizer()
# 默认方式为有向无环图分词
cut_result = t.cut("为中华之崛起而读书")
# cut_result:
# ['为', '中华', '之', '崛起', '而', '读书']我还实现了最基本的机械分词，你可以通过细看代码来理解原理，但是不推荐在实际生产环境使用。
# 机械分词
cut_result = t.cut("为中华之崛起而读书", methods="mechanical")
# cut_result:
# ['为', '中华', '之', '崛起', '而', '读书']类别不平衡
数据集中的类别不平衡是在实际数据集中经常遇到的问题，通常采用过采样扩充或者欠采样缩减的方式解决。
from cnlp.data import sampling
# 类别 pos:3 neg:2 unk:1
origin_dataset = [
["我好开心！", "pos"],
["今天心情不错啊～", "pos"],
["学会了 cnlp，真棒！", "pos"],
["我心态崩了啊！", "neg"],
["哎，又加班。。。", "neg"],
["吃雪糕中", "unk"]
]
# 默认为过采样，都扩充到 3
dataset = sampling(origin_dataset)
# dataset:
# [
# ["我好开心！", "pos"],
# ["今天心情不错啊～", "pos"],
# ["学会了 cnlp，真棒！", "pos"],
# ["我心态崩了啊！", "neg"],
# ["哎，又加班。。。", "neg"],
# ["我心态崩了啊！", "neg"],
# ["吃雪糕中", "unk"],
# ["吃雪糕中", "unk"],
# ["吃雪糕中", "unk"]
# ]
# 也可以使用欠采样，都缩减到1
# 这种方式不推荐，容易使模型过拟合
dataset = sampling(origin_dataset, mode="under")
# dataset:
# [
# ["学会了 cnlp，真棒！", "pos"],
# ["我心态崩了啊！", "neg"],
# ["吃雪糕中", "unk"]
# ]数据集划分
数据集划分是训练模型前的常见操作，这里也提供了一个基本的方法。
from cnlp.data import split
origin_dataset = [
"今天天气不错啊",
"我想吃烧烤",
"地球人就知道吃",
"说的好像你们火星人不爱吃一样",
"没错啊！",
"好吧",
"你赢了",
"那请你离开地球",
"快走",
"快快走"
]
# 默认以 train:test = 7:3 划分
train_data, test_data = split(origin_dataset)
# train_data:
# ['今天天气不错啊', '我想吃烧烤', '地球人就知道吃', '说的好像你们火星人不爱吃一样', '没错啊！', '好吧', '你赢了']
# test_data:
# ['那请你离开地球', '快走', '快快走']
# 支持划分 train val test 三种数据集
train_data, val_data, test_data = split(origin_dataset, [0.5, 0.3, 0.2])
# train_data:
# ['今天天气不错啊', '我想吃烧烤', '地球人就知道吃', '说的好像你们火星人不爱吃一样', '没错啊！'],
# val_data:
# ['好吧', '你赢了', '那请你离开地球']
# test_data:
# ['快走', '快快走']
# 支持打乱(shuffle)
train_data, val_data, test_data = split(origin_dataset, [0.5, 0.3, 0.2], shuffle=True)
# train_data:
# ['你赢了', '说的好像你们火星人不爱吃一样', '快走', '今天天气不错啊', '那请你离开地球']
# val_data:
# ['我想吃烧烤', '快快走', '地球人就知道吃']
# test_data:
# ['没错啊！', '好吧']偏旁和笔画
from cnlp.data import Tokenizer
t = Tokenizer()
# 偏旁
print(t.radical("为中华之崛起而读书"))
# ['丶', '丨', '十', '丶', '@UNK@', '走', '而', '讠', '乛']
# 机械分词
print(t.stroke("为中华之崛起而读书"))
# [['点', '撇', '横折竖钩', '点'], ['竖', '横折', '横', '竖'], ['撇', '竖', '撇', '竖弯横钩', '横', '竖'],
# ['点', '横撇', '捺'], '@UNK@', ['横', '竖', '横', '竖', '横', '撇', '撇', '竖', '横折竖钩', '竖', '竖'],
# ['点', '横折提', '横', '竖', '横撇', '点', '点', '横', '撇', '点'], ['横折', '横折竖钩', '竖', '点']]4 文档
请在 https://cnlp.dovolopor.com 中查看它。
5 贡献
如果您计划为此项目提供新功能，实用程序功能或扩展，请首先打开一个 Issues 并与我们讨论该功能。
6 许可证
7 交流
欢迎添加微信号：Ailln_，备注「cnlp」，我邀请你进入交流群。
