• 功能介绍
  • 参数说明
  • 脚本示例
    • 脚本代码
    • 脚本运行结果

    功能介绍

    RegexTokenizer支持对文本的切分和匹配操作。

    参数说明

    名称 中文名称 描述 类型 是否必须？ 默认值
    pattern 分隔符/正则匹配符 如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。 String “\s+”
    gaps 切分/匹配 如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。 Boolean true
    minTokenLength 词语最短长度 词语的最短长度，小于这个值的词语会被过滤掉 Integer 1
    toLowerCase 是否转换为小写 转换为小写 Boolean true
    selectedCol 选中的列名 计算列对应的列名 String ✓
    outputCol 输出结果列 输出结果列列名，可选，默认null String null
    reservedCols 算法保留列名 算法保留列 String[] null

    脚本示例

    脚本代码

    1. data = np.array([
    2.     [0, 'That is an English Book!'],
    3.     [1, 'Do you like math?'],
    4.     [2, 'Have a good day!']
    5. ])
    7. df = pd.DataFrame({"id": data[:, 0], "text": data[:, 1]})
    8. inOp1 = dataframeToOperator(df, schemaStr='id long, text string', op_type='batch')
    9. op = RegexTokenizerBatchOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol("token").setPattern("\\w+")
    11. op.linkFrom(inOp1).print()
    13. inOp2 = dataframeToOperator(df, schemaStr='id long, text string', op_type='stream')
    14. op = RegexTokenizerStreamOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol("token").setPattern("\\w+")
    15. op.linkFrom(inOp2).print()
    17. StreamOperator.execute()

    脚本运行结果

    1. id    text    token
    2. 0    0    That is an English Book!    that is an english book
    3. 1    2    Have a good day!    have a good day
    4. 2    1    Do you like math?    do you like math