EmpezarEmpieza gratis

Limpieza de datos de texto

Ahora que has definido las stopwords y puntuaciones, vamos a usarlas para limpiar aún más los correos de Enron en el dataframe df. Las listas que contienen stopwords y puntuaciones están disponibles como stop y exclude. Aún faltan algunos pasos antes de tener datos limpios, como la "lematización" de palabras y el stemming de los verbos. Los verbos en los correos ya están sometidos a stemming y la lematización ya está hecha por ti en este ejercicio.

Este ejercicio forma parte del curso

Fraud Detection in Python

Ver curso

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import the lemmatizer from nltk
from nltk.stem.wordnet import WordNetLemmatizer
lemma = WordNetLemmatizer()

# Define word cleaning function
def clean(text, stop):
    text = text.____()
	# Remove stopwords
    stop_free = " ".join([word for word in text.lower().split() if ((___ not in ___) and (not word.isdigit()))])
	# Remove punctuations
    punc_free = ''.join(word for word in stop_free if ___ not in ____)
	# Lemmatize all words
    normalized = " ".join(____.____(word) for word in punc_free.split())      
    return normalized
Editar y ejecutar código