Я тестирую MLlib Tokenizer с pySpark (Python3) следующим образом:
# -*- coding: utf-8 -*-
from pyspark.sql.window import Window
from pyspark.sql.functions import row_number
from pyspark.ml.feature import Tokenizer, RegexTokenizer
# Creating dataframe
sentenceData = spark.createDataFrame([
(["Eu acho que MLlib é incrível!"]),
(["Muito mais legal do que scikit-learn"])
], ["raw"])
# Putting sequential indexer on DataFrame
w = Window.orderBy('raw')
sentenceData = sentenceData.withColumn("id", row_number().over(w))
# Configuring regexTokenizer
regexTokenizer = RegexTokenizer(inputCol="raw", outputCol="words", pattern="\\W")
# Applying Tokenizer to dataset
sentenceData = regexTokenizer.transform(sentenceData)
sentenceData.select(
'id','raw','words'
).show(truncate=False)
Результат таков:
+---+------------------------------------+--------------------------------------------+
|id |raw |words |
+---+------------------------------------+--------------------------------------------+
|1 |Eu acho que MLlib é incrível! |[eu, acho, que, mllib, incr, vel] |
|2 |Muito mais legal do que scikit-learn|[muito, mais, legal, do, que, scikit, learn]|
+---+------------------------------------+--------------------------------------------+
Как видите, слово ' incrível (португальское слово означает «удивительный») был преобразован в два «новых слова» из-за символа «í». Я не нашел ничего в документации, чтобы решить это. Итак, я здесь потерян!
Я попытался изменить конфигурацию 'pattern' в 'regexTokenizer', включая непосредственно 'í' и другие шаблоны, включая символ '\ w' в шаблоне "class" (что-то вроде pattern = "[\ Wí \ w] +"), но не сработало! Есть какой-то способ установить 'португальский' или заставить Spark каким-то образом в шаблоне не игнорировать акценты?
Спасибо!