ในบทช่วยสอนนี้ เราจะพูดถึงการย่อคำในPythonซึ่งเป็นวิธีที่ใช้สำหรับจัดกลุ่มองค์ประกอบต่างๆ ของคำเข้าด้วยกัน การย่อคำยังมีจุดมุ่งหมายเพื่อลดการผันคำและเน้นที่การให้รากศัพท์หรือรูปฐานของคำซึ่งเป็นความหมาย ของคำว่าคำ แทรก
สารบัญ
- Lemmatization Vs Stemming
- สิ่งที่ต้องพิจารณาในการใช้ตัวย่อ
- ขั้นตอนการเตรียมการสำหรับการย่อใน Python
- การใช้ Lemmatization ใน Python
- บทสรุป
Lemmatization Vs Stemming
การย่อคำนั้นคล้ายกับการสะกดคำซึ่งทำหน้าที่ลดการผันคำ ข้อแตกต่างเพียงอย่างเดียวคือการใช้คำตามพจนานุกรมเป็นผลลัพธ์
ในทางกลับกันการสะกดคำจะลบเฉพาะคำที่ต่อท้ายออกจากคำที่ผันออกมา ซึ่งอาจส่งผลให้คำนั้นไม่มีอยู่จริง
ตัวอย่างเช่น ถ้าเราใช้การผูกรากศัพท์กับคำว่าศึกษาก็จะทำให้คำว่าศึกษาเป็นผลลัพธ์ เนื่องจากมีวัตถุประสงค์เพื่อลบคำต่อท้ายes ออก จากคำว่าศึกษา
ในทางกลับกัน หาก ใช้ ตัวย่อก็จะได้ผลลัพธ์เป็นการศึกษาคำ เนื่องจากเน้นที่การให้รูปฐานของคำ
สิ่งที่ต้องพิจารณาในการใช้ตัวย่อ
- มันใช้คำตามพจนานุกรม ด้วยคำว่าlemmaซึ่งหมายถึงรากหรือรูปแบบฐานของคำ การแยกย่อยมีจุดมุ่งหมายเพื่อให้รูปแบบฐานของคำมากกว่าแค่การลบการผันของคำ
- มันขึ้นอยู่กับส่วนของคำพูดเพื่อค้นหาคำพื้นฐาน โดยไม่ระบุส่วนของคำพูด) การแยกย่อยอาจทำงานได้ไม่ดี และคุณอาจไม่ได้ผลลัพธ์ที่คุณต้องการ
- มันช้ากว่าการสกัดกั้นแต่มีประสิทธิภาพมากกว่า เนื่องจากการเรียงคำไม่ได้เป็นไปตามอัลกอริทึมในการดำเนินการกับคำและความจำเป็นในการให้ส่วนของคำพูด จึงถือว่าช้ากว่าการสะกดคำ อย่างไรก็ตาม มีประสิทธิภาพมากกว่าเมื่อใช้คำตามพจนานุกรมเพื่อผลลัพธ์
- มีความแม่นยำสูงกว่าในการหารากศัพท์ เนื่องจากการใช้คำตามพจนานุกรมในการจัดวางผลลัพธ์จากคำที่ผัน คุณจะมีโอกาสสูงที่จะได้ผลลัพธ์ที่แม่นยำ
ขั้นตอนการเตรียมการสำหรับการย่อใน Python
ก่อนที่เราจะดำเนินการใช้ ตัวย่อ เรามาเริ่มต้นด้วยการนำเข้า ไลบรารี Wordจากtextblob

หลังจากนั้นเราจะสร้างวัตถุคำ
ในการสร้าง word object เราสร้างตัวแปรชื่อw จากนั้นเราเก็บไลบรารี Word ที่เก็บวัตถุคำของเราซึ่งก็คือoctopiรูปพหูพจน์ของคำว่า octopus โปรดทราบว่าเมื่อส่งองค์ประกอบโดยใช้ไลบรารี Word สิ่งสำคัญคือต้องล้อมรอบองค์ประกอบนั้นด้วยเครื่องหมายคำพูดเดี่ยว
เริ่มต้นตัวแปรw เพื่อดูว่ามีวัตถุคำที่เราเพิ่งสร้างขึ้นหรือไม่
เมื่อดำเนิน การตัวแปร w เราจะได้คำว่าobject octopi
การใช้ Lemmatization ใน Python
ต่อไป เราจะใช้การย่อโดยใช้ฟังก์ชัน .lemmatize
ในขั้นตอนนี้ เราใช้ ตัวแปร w ที่เก็บคำว่า object octopiและเราใช้ ฟังก์ชัน .lemmatizeเพื่อใช้ lemmatization เป็นผลให้เราได้คำว่าoctopusซึ่งเป็นรากหรือรูปแบบพื้นฐานของคำว่าoctopi
หลังจากนั้นมาลองใช้การย่อคำกับคำกันดีกว่า .
ในตัวอย่างก่อนหน้านี้ เราอัปเดตวัตถุคำของเราจากoctopiเป็นดีกว่า จากนั้นเราก็ย่อมันด้วยฟังก์ชัน.lemmatize ดังนั้นผลลัพธ์ที่เราได้รับจึงเหมือนกับคำว่าวัตถุที่เราใช้
ในการใช้ฟังก์ชัน .lemmatize คุณสามารถเปลี่ยนวิธีการย่อคำได้โดยผ่านส่วนหนึ่งของคำพูด ตัวอย่างเช่น ลองส่งaไปยังฟังก์ชัน .lemmatize ซึ่งย่อมาจากคำคุณศัพท์ในส่วนต่าง ๆ ของคำพูด
หลังจากเพิ่มส่วนของคำพูดลงในฟังก์ชัน .lemmatize แล้ว เราก็จะได้ผลลัพธ์ ของคำพื้นฐาน ที่ดี
ลองเปลี่ยน word object ของเราเป็นrun อีก ครั้ง เรามาเปลี่ยนส่วนของคำพูดที่เราจะส่งไปยังฟังก์ชัน .lemmatize เป็นvซึ่งย่อมาจากคำกริยา
หลังจากทำการเปลี่ยนแปลงและเริ่มต้นฟังก์ชัน .lemmatize เราได้รับคำรูทของคำที่รันซึ่งผลที่ตามมา คือ รัน ตัวย่อส่วนใหญ่ไม่สามารถใช้วิธีการที่เราเพิ่งทำในการใช้ฟังก์ชัน .lemmatize ได้
อย่างไรก็ตาม ฟังก์ชัน .lemmatize เป็นเครื่องมือสำคัญที่จะใช้เมื่อทำการวิเคราะห์ข้อความบางประเภทใน Pythonเพื่อให้ได้รูปแบบพื้นฐานของคำ
วิธีการใช้สคริปต์ Python ใน LuckyTemplates
วิธีโหลดชุดข้อมูลตัวอย่างใน Python
Python User Defined Functions | ภาพรวม
บทสรุป
โดยสังเขป เราสามารถเข้าใจการใช้คำย่อในPythonและวิธีการทำงาน เราได้พูดถึงความคล้ายคลึงและความแตกต่างของการย่อคำจากการตัดคำเช่นกัน เรายังสามารถสร้างวัตถุคำโดยใช้ ไลบรารี Wordและวิธีการใช้ฟังก์ชัน.lemmatize
นอกจากนี้ เราได้เรียนรู้วิธีใช้ส่วนต่างๆ ของคำพูดในฟังก์ชัน .lemmatize การใช้ตัวย่อในงานวิเคราะห์ข้อความประจำวันของคุณจะช่วยลดเวลาและความพยายามในการค้นหาคำพื้นฐานของคำเฉพาะได้อย่างมาก
สิ่งที่ดีที่สุด
เกลลิม





