def Tokenizer(data):
import pandas as pd
from ckonlpy.tag import Twitter
twitter = Twitter()
#사용자 사전 추가
txt = pd.read_csv('사용자 사전.txt', sep='\n')
txt = txt['<사용자 사전>']
for line in txt:
twitter.add_dictionary(txt, 'Noun')
# 데이터 가져오기
data = data
new_hashtags = data.hashtags.copy()
# 토큰화
for i in range(len(new_hashtags)):
new_hashtags[i] = ' '.join(new_hashtags[i])
tokenized = []
for sentence in new_hashtags:
tokens = twitter.morphs(sentence)
tokenized.append(tokens)
# 연속된 중복 제거
new_tokenized = []
for x in range(len(tokenized)):
temp = []
for y in range(len(tokenized[x]) - 1):
if tokenized[x][y] != tokenized[x][y + 1]:
temp.append(tokenized[x][y])
new_tokenized.append(temp)
return new_tokenized
print('훈련용 스토리의 개수 :', len(train_stories))
print('훈련용 질문의 개수 :',len(train_questions))
print('훈련용 답변의 개수 :',len(train_answers))
print('테스트용 스토리의 개수 :',len(test_stories))
print('테스트용 질문의 개수 :',len(test_questions))
print('테스트용 답변의 개수 :',len(test_answers))
train_stories[3572]
train_questions[3572]
train_answers[3572]
twitter = Twitter()
print(twitter.morphs('은경이는 화장실로 이동했습니다.'))
print(twitter.morphs('경임이는 정원으로 가버렸습니다.'))
print(twitter.morphs('수종이는 복도로 뛰어갔습니다.'))
print(twitter.morphs('필웅이는 부엌으로 복귀했습니다.'))
print(twitter.morphs('수종이는 사무실로 갔습니다.'))
print(twitter.morphs('은경이는 침실로 갔습니다.'))
twitter.add_dictionary('은경이', 'Noun')
twitter.add_dictionary('경임이', 'Noun')
twitter.add_dictionary('수종이', 'Noun')
print(twitter.morphs('은경이는 화장실로 이동했습니다.'))
print(twitter.morphs('경임이는 정원으로 가버렸습니다.'))
print(twitter.morphs('수종이는 복도로 뛰어갔습니다.'))
print(twitter.morphs('필웅이는 부엌으로 복귀했습니다.'))
print(twitter.morphs('수종이는 사무실로 갔습니다.'))
text = next(gen)
elif cnt == 1 or cnt <= 0:
cnt = 1
text = next(gen)
elif cnt >= 5966:
print('!!!마지막 번호는 5965입니다')
exit(0)
except:
print('알맞은 숫자를 입력하세요. 프로그램 종료!')
exit()
while True:
precontent = text['content']['ccontent']
precontent = re.sub('// flash.*\{\}', '', precontent)
precontent = twitter.morphs(precontent)
data = pd.read_csv('SentiWord_Dict2.txt', sep='\t', header=None)
words = list(data.iloc[:, 0])
score = list(data.iloc[:, 1])
#content = content.split(' ')
content = []
for i in range(len(precontent)):
if len(precontent[i]) >= 2:
content.append(precontent[i])
print('제목: ', text['ctitle'])
print('언론사: ', text['content']['news_company'])
import string
import csv
from ckonlpy.tag import Twitter
twitter = Twitter()
f = open("Han.txt", mode = "r", encoding = "utf-8")
c = csv.writer(open("HanKeoRyeKonlPy.csv","w",encoding = "utf-8"))
for t in f:
c.writerow(twitter.morphs(t))
import urllib.request
from soynlp import DoublespaceLineCorpus
from soynlp.word import WordExtractor
from soynlp.tokenizer import MaxScoreTokenizer
from soynlp.tokenizer import LTokenizer
# -*- coding: utf-8 -*-
from ckonlpy.tag import Twitter
from pykospacing import spacing
#띄어 쓰기 자동으로 해줌
sent = "위 인수들을 사용할 때 고려해야 될점이있습니다. audio 데이터의 어떤 시점에 하나의 단어가 언급되고 있다면 그 단어는 잘려서 이상하게 인식될 것입니다. 이 harvard 데이터는 실험 목적으로 녹음된 것이기 때문에 초 단위로 잘라도 단어가 잘리지 않은 것 입니다."
new_sent = sent.replace(" ", '')
print(new_sent)
kospacing_sent = spacing(new_sent)
print(sent)
print(kospacing_sent)
#특정 단어 명사로 설정
twitter = Twitter()
#twitter.add_dictionary('띄어쓰기', 'Noun')
print(twitter.morphs(kospacing_sent))
def token(self, title, ccontent, creplies):
memory = psutil.Process(os.getpid())
T_OR_title = []
T_title = []
T_OR_ccontent = []
T_ccontent = []
T_OR_creplies = []
T_creplies = []
twitter = Okt() # 트위터 형태소 사전을 사용하기 위해 초기화
twitter.add_dictionary('백래시', 'Noun')
twitter.add_dictionary('문재앙', 'Noun')
#### 타이틀 토큰화
#print('1')
for i in range(len(title)):
a = twitter.pos(title[i])
b = []
#print('title[i]',i,title[i])
for j in range(len(a)):
if a[j][1] != 'Punctuation': # 오류로 'Punctuation'에 해당하는 튜플 제거
b.append(a[j])
#print('3',j)
T_OR_title.append(b)
T_title.append(twitter.morphs(title[i]))
#### ccontent 토큰화
try:
c = twitter.pos(str(ccontent[i]))
d = []
# print('ccontent[i]',i, ccontent[i])
for w in range(len(c)):
if c[w][1] != 'Punctuation': # 오류로 'Punctuation'에 해당하는 튜플 제거
d.append(c[w])
#print('4',w)
T_OR_ccontent.append(d)
T_ccontent.append(twitter.morphs(str(ccontent[i])))
except RuntimeError as e:
T_OR_ccontent.append('')
T_ccontent.append(twitter.morphs(''))
### 댓글 토큰화
#print('creplies[i]',i,creplies[i])
if type(creplies[i]) == str: # string형 댓글 토큰화
a = [creplies[i]] # string을 리스트로 변경
e = twitter.pos(str(a))
f = []
for u in range(len(e)):
if e[u][1] != 'Punctuation':
f.append(e[u])
elif e[u][1] != 'KoreanParticle':
f.append(e[u])
else:
break
#print('5',u)
T_OR_creplies.append(f)
T_OR_creplies.append(twitter.pos(str(a)))
T_creplies.append(twitter.morphs(str(a)))
else:
temp = []
temp2 = []
x = []
for n in range(len(creplies[i])): ### 리스트로 반환되는 댓글
h = twitter.pos(creplies[i][n])
#print('6',n)
for z in range(len(h)):
if h[z][1] != 'Punctuation':
x.append(h[z])
elif h[z][1] != 'KoreanParticle':
x.append(h[z])
else:
break
# print('7',z)
# print('8',)
#print('h',z,h)
temp.append(x)
temp2.append(twitter.morphs(creplies[i][n]))
T_OR_creplies.append(temp)
T_creplies.append(temp2)
return T_OR_title, T_title, T_OR_ccontent, T_ccontent, T_OR_creplies, T_creplies
hanspell_sent = spelled_sent.checked
print(hanspell_sent)
test_sent = spell_checker.check(sent2)
test2 = test_sent.checked
print(test2)
# !pip install konlpy
# !pip install customized_konlpy
from ckonlpy.tag import Twitter
twitter = Twitter()
twitter.morphs('은경이는 사무실로 갔습니다.')
twitter.add_dictionary('은경이', 'Noun')
print(twitter.morphs('은경이는 사무실로 갔습니다.'))
# 오늘의 마지막 문제. 문법에 맞지 않은 한글 문장을 문법검사해서 잘 구성한 다음 토큰화해서 RNN신경망에 입력되기 전 데이터인
# 훈련 데이터와 라벨로 구성되게 하시오
test = "RNN신경망은 너무어려워서 하나도모르 겠습니다.\n 외않되는지매 일공부해 봐도모르 겠습니다.\n 살려주세 요."
gram_test = spell_checker.check(test)
rs_test = gram_test.checked
print(rs_test)
from tensorflow.keras.utils import to_categorical
import numpy as np
from tensorflow.keras.preprocessing.sequence import pad_sequences
#형태소 분석
import os
import json
#from konlpy.tag import Okt
from ckonlpy.tag import Twitter
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
file = open(os.path.join(BASE_DIR + '/t05/news1.txt'), 'r', encoding='UTF8')
text = file.read()
file.close()
#okt = Okt()
twitter = Twitter()
twitter.add_dictionary('K리그', 'Noun')
content = twitter.morphs(text)
num = 1
voca_dict = dict()
for word in content:
voca_dict[num] = word
num = num + 1
with open(os.path.join(BASE_DIR + '/t06', 'vocab.json'),
'w+',
encoding='UTF-8-sig') as json_file:
json.dump(voca_dict, json_file, ensure_ascii=False)
def kor_preprocessing(q, q3, df):
data = df.copy().reset_index(drop=True)
temp = []
data = data.str.join('').str.replace(r"\n", "")
data = data.str.replace(pat=r'[^\w]', repl=r'', regex=True)
for i in range(len(data)):
okt = Okt()
new = okt.normalize(data[i]) # 정규화
new = only_hangle(new)
new = emoticon_normalize(new,
num_repeats=2) # ㅋㅋㅋㅋㅋㅋ -> ㅋㅋ, ㅠㅠㅠㅠ -> ㅠㅠ
data[i] = data[i].replace(" ", '')
spacing = Spacing()
new = spacing(data[i]) # Apply space preprocessing
try:
new = spell_checker.check(new).checked # 오타 처리
except:
print(new)
temp.append(new)
data = pd.Series(temp)
# 신조어 사전 추가
token = Twitter() # 추가
adding_noun = [
'식후감', '존맛', '개존맛', '꿀맛', '짱맛', '요기요', 'ㅈㅁㅌ', 'ㅃㄲ', '소확행', '민초', '치밥',
'소맥', '넘사벽', '순삭', '빛삭', '광삭', '반반무', '반반무마니', '솔까말', '스압', '썸남', '썸녀',
'jmt', 'jmtg', 'jmtgr', 'JMT', 'JMTG', 'JMTGR', '배불띠', '돈쭐', '쿨타임',
'닥추', '강추', '유튜버', '홧팅', '팟팅', '단짠단짠', '단짠', '맵단', '맵달', '맛도리', '부조캐',
'밍밍쓰', '노맛', '존노맛', '최애', '차애', '섭스', '서빗', '프레젠또', '존맛탱', '개존맛탱',
'존맛탱구리', '킹맛', '댕맛', '뿌링클', '로제', '오레오', '로투스', '사장님', '싸장님', '사장뉨'
'소소한', '프라프치노', ' 프라푸치노', '갓성비', '커엽', '굳잡', '굿잡', '굳굳', '이벵트', '이벵'
]
for i in adding_noun:
token.add_dictionary(i, 'Noun') # 명사 추가
adding_verb = ['맛나', '마이쩡', '마이쪙', '마시땅', '마시쩡', '마시쪙']
for i in adding_verb:
token.add_dictionary(i, 'Noun') # 동사 추가
token.add_dictionary('잘', 'Noun') # 동사 추가
token = Okt()
# 불용어 사전
with open('stop.txt', 'rt', encoding='UTF8') as f:
stopwords = f.read().replace('\n', ' ')
stopwords = stopwords.split(' ')
result = []
for i in range(len(data)):
review = data[i]
temp = (token.morphs(review, norm=True, stem=True))
stopwords_removed_sentence = [
word for word in temp if not word in stopwords
] # 불용어 제거
sentence = ''
for s in stopwords_removed_sentence:
sentence = sentence + ' ' + s
result.append(sentence)
q.put(result)
q3.put(df)
