瑞士小哥开源文本英雄Texthero：一行代码完成数据预处理，网友：早用早下班！

新智元报道

来源：GitHub

编辑: 白峰

【新智元导读】自然语言处理任务的数据通常是杂乱无章的，而文本预处理要消耗大量的时间和精力。近日，GitHub上开源了一个NLP工具箱Texthero，不仅功能完善一个pipeline完成所有操作，速度还超快堪比SpaCy，一起来尝鲜吧！

NLPer最头疼的可能就是数据预处理了，拿到的多源数据通常长下面这样，乱成一团。

「我只想远离我的数据集，休息一下。」

如果你已经处理过文本数据并应用过一些机器学习算法，那么你肯定了解「NLP 管道」是多么复杂。

你通常需要写一堆正则表达式来清理数据，使用 NLTK、 SpaCy 或 Textblob 预处理文本，使用 Gensim (word2vec)或 sklearn (tf-idf、 counting 等)将文本向量化。

即使对于 Python 专家来说，如果考虑不周全，不理解哪些任务是必需的，也很容易迷失在不同的包文档中。

而现在有一个全新的自然语言处理工具箱，你只需要打开一个新的笔记本，就能像Pandas一样开始文本数据分析了，先睹为快！

文本英雄：一个pipeline完成所有NLP操作

Texthero 是一个开源的NLP工具包，旨在 Pandas 之上使用单一工具简化所有 NLP 开发人员的任务。它由预处理、向量化、可视化和 NLP 四个模块组成，可以快速地理解、分析和准备文本数据，以完成更复杂的机器学习任务。

Texthero可以轻松实现以下功能。

文本数据预处理

和Pandas无缝衔接，既可以直接使用，又可以自定义解决方案十分灵活。

导入完数据直接clean ，不要太简单，所有脏活累活，Texthero都帮你完成了！我们来看看它在后台做了哪些工作。

Wow！填充缺失值、大小写转换、移除标点符号、移除空白字符等应有尽有，这些预处理对普通的文本数据已经足够了。

而此前，没有Texthero的话，你只能自定义文本清洗函数，包括去停用词、去特殊符号、词干化、词型还原等，非常复杂。

自然语言处理

关键短语和关键字提取，命名实体识别等等。

文本表示

TF-IDF，词频，预训练和自定义词嵌入。

向量空间分析

聚类（K均值，Meanshift，DBSAN和Hierarchical），主题建模（LDA和LSI）和解释。

文本可视化

一行代码即可完成关键字可视化，向量空间可视化等。

不仅功能强大速度还超快！

有网友怀疑融合了这么多的功能，速度一定有所下降。

而真相是：Texthero 相当快。

Texthero 使用了许多其他库，因此它的速度在很大程度上受到依赖库的影响。

但是对于文本预处理: 基本上就是 Pandas (在内存中使用 NumPy)和 Regex，速度非常快。对于tokenize，默认的 Texthero 函数是一个简单但功能强大的 Regex 命令，这比大多数 NLTK 和 SpaCy 的tokenize快，因为它不使用任何花哨的模型，缺点是没有 SpaCy 那样精确。