如何在数据帧中应用多路检测功能

Question

假设我有一个名为df.Text的列，其中包含文本（多于一个句子），我想使用polyglot Detector来检测语言并将值存储在新列df['Text-Lang']中，我如何确保还捕获其他细节，如code和{}

testEng ="This is English"
lang = Detector(testEng)
print(lang.language)

退货

name: English code: en confidence: 94.0 read bytes: 1920

但是

^{pr2}$

以结束

AttributeError: 'float' object has no attribute 'encode' and Detector is not able to detect the language reliably.

我是不是错误地应用了检测器功能，或者存储了错误的输出还是其他什么？在

Answer 1

首先，如果您只需要polyglot进行语言检测，那么最好直接使用pycld2，这是幕后使用的。它有很多更干净的API。在

也就是说，您声明的错误来自于Text列中的一个值，它是一个实数。所以你必须把这些值转换成字符串。在

下一个问题是最小文本长度。^如果文本太短，{}将引发异常。您必须通过传递quiet=True使异常静音。在

现在，应用Detector将返回一个对象。所以你必须解析它来提取你想要的信息。要提取语言名称，您必须导入icu模块（它是polyglot的依赖项，因此您已经安装了它）：

import icu
df.Text = df.Text.astype(str)
df['poly_obj'] = df.Text.apply(lambda x: Detector(x, quiet=True))
df['Text-lang'] = df['poly_obj'].apply(lambda x: icu.Locale.getDisplayName(x.language.locale))
df['Text-LangConfidence'] = df['poly_obj'].apply( lambda x: x.language.confidence)

之后，您可以删除poly_obj列。在