germeval08-extract-spacy

wordvec

textmining

python

string

Published

November 16, 2023

Aufgabe

Extrahieren Sie deutsche Worembedding aus SpaCy für den GermEval-Datensatz (Train).

Nutzen Sie die GermEval-2018-Daten.

Die Daten sind unter CC-BY-4.0 lizensiert. Author: Wiegand, Michael (Spoken Language Systems, Saarland University (2010-2018), Leibniz Institute for the German Language (since 2019)),

Die Daten sind auch über das R-Paket PradaData zu beziehen.

library(tidyverse)
data("germeval_train", package = "pradadata")

Hinweise:

Orientieren Sie sich im Übrigen an den allgemeinen Hinweisen des Datenwerks.

Lösung

Setup

library(tidyverse)

import spacy
import de_core_news_sm
import pandas as pd
nlp = de_core_news_sm.load()

Daten in Python importieren

csv_file_path = '/home/sebastian/git-repos/pradadata/data-raw/germeval_train.csv'

germeval_train = pd.read_csv(csv_file_path)

Vorbereiten

Als String konvertieren:

tweets = germeval_train['text']
tweets2 = tweets.astype(str)
tweets3 = tweets2.to_string()

NLP-Features berechnen:

doc = nlp(tweets3)

Wortvektoren berechnen

wordvec = [token.vector for token in doc]
len(wordvec)

Export

als Pandas DF:

df = pd.DataFrame(wordvec)

dimensions = df.shape
dimensions

In CSV schreiben:

df.to_csv("germeval_spacy_embed.csv")

Categories:

wordembedding
textmining
python
string

--- exname: germeval08-extract-spacy expoints: 1 extype: string exsolution: NA categories: - wordvec - textmining - python - string date: '2023-11-16' slug: germeval08-extract-spacy title: germeval08-extract-spacy --- ```{r global-knitr-options, include=FALSE, message=FALSE} knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 4, fig.cap = "", fig.path = "", echo = TRUE, # ECHO IS FALSE!!! message = FALSE, warning = FALSE, fig.show = "hold") options(max.print = 10) options(rstudio.help.showDataPreview = FALSE) ``` # Aufgabe Extrahieren Sie deutsche Worembedding aus [SpaCy](https://spacy.io/) für den GermEval-Datensatz (Train). Nutzen Sie die [GermEval-2018-Daten](https://heidata.uni-heidelberg.de/dataset.xhtml?persistentId=doi:10.11588/data/0B5VML). Die Daten sind unter CC-BY-4.0 lizensiert. Author: Wiegand, Michael (Spoken Language Systems, Saarland University (2010-2018), Leibniz Institute for the German Language (since 2019)), Die Daten sind auch über das R-Paket [PradaData](https://github.com/sebastiansauer/pradadata/tree/master/data-raw/GermEval-2018-Data-master) zu beziehen. ```{r} library(tidyverse) data("germeval_train", package = "pradadata") ``` Hinweise: - Orientieren Sie sich im Übrigen an den [allgemeinen Hinweisen des Datenwerks](https://datenwerk.netlify.app/hinweise). # Lösung ## Setup ```{r} #| eval: false library(tidyverse) ``` ```{python} #| eval: false import spacy import de_core_news_sm import pandas as pd nlp = de_core_news_sm.load() ``` ## Daten in Python importieren ```{python import-data} #| eval: false csv_file_path = '/home/sebastian/git-repos/pradadata/data-raw/germeval_train.csv' germeval_train = pd.read_csv(csv_file_path) ``` ## Vorbereiten Als String konvertieren: ```{python} #| eval: false tweets = germeval_train['text'] tweets2 = tweets.astype(str) tweets3 = tweets2.to_string() ``` NLP-Features berechnen: ```{python nlp} #| eval: false doc = nlp(tweets3) ``` ## Wortvektoren berechnen ```{python word-vec} #| eval: false wordvec = [token.vector for token in doc] len(wordvec) ``` ## Export als Pandas DF: ```{python} #| eval: false df = pd.DataFrame(wordvec) dimensions = df.shape dimensions ``` In CSV schreiben: ```{python} #| eval: false df.to_csv("germeval_spacy_embed.csv") ``` --- Categories: - wordembedding - textmining - python - string