spaCy - 容器

本章我们将学习 spaCy 的容器。让我们首先了解包含 spaCy 容器的类。

类

我们有四个类包含 spaCy 的容器：

Doc

Doc，用于访问语言注释的容器，是 token 对象的序列。借助 Doc 类，我们可以访问句子和命名实体。

我们还可以将注释导出到 numpy 数组，并序列化为压缩的二进制字符串。Doc 对象保存一个 TokenC 结构数组，而 Token 和 Span 对象只能查看此数组，不能保存任何数据。

Token

顾名思义，它表示单个标记，例如单词、标点符号、空格、符号等。

Span

它是上面讨论过的 Doc 对象的一个切片。

Lexeme

它可以定义为词汇表中的一个条目。与单词标记相反，Lexeme 没有字符串上下文。它是一个词性，因此它没有任何词性 (Part-of-Speech) 标记、依赖解析或词形。

现在，让我们详细讨论所有四个类：

Doc 类

下面解释了 Doc 类中使用的参数、序列化字段和方法：

参数

下表解释了它的参数：

名称	类型	描述
text	unicode	此属性表示文档文本（Unicode）。
mem	Pool	顾名思义，此属性用于文档的本地内存堆，用于它拥有的所有 C 数据。
vocab	Vocab	它存储所有词汇类型。
tensor	ndarray	在 2.0 版中引入，它是密集向量表示的容器。
cats	dict	在 2.0 版中引入，此属性将标签映射到应用于文档的类别的分数。请注意，标签是字符串，分数应该是浮点值。
user_data	-	它表示一个通用的存储区域，主要用于用户自定义数据。
lang	int	在 2.1 版中引入，它表示文档词汇的语言。
lang_	unicode	在 2.1 版中引入，它表示文档词汇的语言。
is_tagged	bool	这是一个标志，指示文档是否已进行词性标注。如果 Doc 为空，它将返回 True。
is_parsed	bool	这是一个标志，指示文档是否已进行句法分析。如果 Doc 为空，它将返回 True。
is_sentenced	bool	这是一个标志，指示是否已将句子边界应用于文档。如果 Doc 为空，它将返回 True。
is_nered	bool	此属性在 2.1 版中引入。这是一个标志，指示命名实体是否已设置。如果 Doc 为空，它将返回 True。如果任何标记都设置了实体标记，它也将返回 True。
sentiment	float	它将返回文档的积极/消极分数（如果可用）为浮点数。
user_hooks	dict	此属性是一个字典，允许自定义Doc 的属性。
user_token_hooks	dict	此属性是一个字典，允许自定义Token 子对象的属性。
user_span_hooks	dict	此属性是一个字典，允许自定义Span 子对象的属性。
_	下划线	它表示用户空间，用于添加自定义属性扩展。

序列化字段

在序列化过程中，为了恢复对象的各个方面，spaCy 将导出多个数据字段。我们还可以通过传递名称（通过名为exclude 的参数之一）来从序列化中排除数据字段。

下表解释了序列化字段：

序号	名称和描述
1	Text 它表示Doc.text 属性的值。
2	Sentiment 它表示Doc.sentiment 属性的值。
3	Tensor 它表示Doc.tensor 属性的值。
4	user_data 它表示Doc.user_data 字典的值。
5	user_data_keys 它表示Doc.user_data 字典的键。
6	user_data_values 它表示Doc.user_data 字典的值。

方法

以下是 Doc 类中使用的方法：

序号	方法和描述
1	Doc._ _init_ _ 构造 Doc 对象。
2	Doc._ _getitem_ _ 获取特定位置的 token 对象。
3	Doc._ _iter_ _ 迭代可以轻松访问注释的 token 对象。
4	Doc._ _len_ _ 获取文档中 token 的数量。

类方法

以下是 Doc 类中使用的类方法：

序号	类方法和描述
1	Doc.set_extension 它在 Doc 上定义自定义属性。
2	Doc.get_extension 它将按名称查找先前扩展。
3	Doc.has_extension 它将检查是否已在 Doc 类上注册扩展。
4	Doc.remove_extension 它将删除先前在 Doc 类上注册的扩展。

打印页面