SemEval2014数据集预处理：cElementTre。。。
在做Aspect-level情感分类时⼀般会⽤到SemEval 2014数据集。官⽹给的数据集都是XML格式，我们要对其进⾏解析。
⾸先看⼀下数据结构。
⼀个XML⽂件⾥包含多个sentence，每个sentence⾥包含text、aspectCategories和aspectTerms⼦节点，即我们需要提取出来的内容。
下⾯是代码。
⾸先，导⼊库。
cElementTree as ET
python处理xml文件Python标准库中，提供了ElementTree的两种实现。⼀个是纯Python实现的ElementTree，另⼀个是速度更快的C语⾔实现的cElementTree。第⼆种速度更快，⽽且内存消耗较少。
接下来读⽂件，获取根节点。
path ='l'
tree = ET.parse(path)
root = t()
⼦节点是嵌套的，我们可以通过索引访问特定的⼦节点。
如：
root[0][0].text
输出是第⼀个sentence中text节点的内容。
然后获取XML中的元素，保存到数组中即可。
获取aspectCategory
data =[]
for sentence in root.findall('sentence'):
text = sentence.find('text').text
aspectCategories = sentence.find('aspectCategories')
for aspectCategory in aspectCategories.findall('aspectCategory'):
category = ('category')
polarity = ('polarity')
data.append((text, category, polarity))
Element.findall(): 只到带有标签的元素，该标签是当前元素的直接⼦元素。
Element.find() ：到第⼀个带有特定标签的⼦元素。
<：访问标签的内容
<()：访问标签的属性值
也可以转化成dataframe，保存到csv⽂件⾥。
df=pd.DataFrame(data,columns=['text','category','polarity'])
<_csv('data/data.csv',sep=' ')
df.head()
提取aspectTerms
提取aspectTerms和提取aspectCategories有⼀点不同，即并不是每个sentence都有aspectTerms节点，因此我们不能直接查所有sentence的aspectTerms节点。那么解决⽅法是什么呢。这⾥就要⽤到强⼤的xpath表达式了，’.//aspectTerms/…'的含义是选择所有包含aspectTerms的sentence节点，其中“//”表⽰从匹配选择的当前节点选择⽂档中的节点，⽽不考虑它们的位置。“…”表⽰选择当前节点的⽗节点。
data=[]
for sentence in root.findall('.//aspectTerms/..'):
text = sentence.find('text').text
aspectTerms=sentence.find('aspectTerms')
for aspectTerm in aspectTerms.findall('aspectTerm'):
term = ('term')
polarity = ('polarity')
data.append((text, term, polarity))
df = pd.DataFrame(data,columns=['text','term','polarity'])
df = df[df['polarity'].isin(['positive','negative','neutral'])]
df['polarity']= df['polarity'].map(
{'positive':1,'neutral':0,'negative':-1})
<_csv('data/aspect_term.csv', sep=' ',index=0)
df

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。