aibox.nlp.features.portuguese.descriptive

Características descritivas do texto.

Classes

DescriptiveExtractor([nlp])	Extrator de características descritivas.
DescriptiveFeatures(total_paragraphs, ...)	Características descritivas sobre o texto.

class aibox.nlp.features.portuguese.descriptive.DescriptiveFeatures(total_paragraphs: float, total_sentences: float, sentences_per_paragraph: float, syllables_per_content_word: float, total_words: float, words_per_sentence: float, sentence_length_max: float, sentence_length_min: float, sentence_length_std: float, total_stopwords: float, stopwords_ratio: float)

Base: DataclassFeatureSet

Características descritivas sobre o texto.

Parâmetros:

• total_paragraphs (float) – total de parágrafos.

• total_sentences (float) – total de sentenças.

• sentences_per_paragraph (float) – quantidade média de sentenças por parágrafo.

• syllables_per_content_word (float) – quantidade de sílabas por palavras.

• total_words (float) – total de palavras.

• words_per_sentence (float) – quantidade média de palavras por sentença.

• sentence_length_max (float) – tamanho máximo de um sentença.

• sentence_length_min (float) – tamanho minimo de uma sentença.

• sentence_length_std (float) – desvio padrão do tamanho das sentenças.

• total_stopwords (float) – total de stopwords no texto.

• stopwords_ratio (float) – razão entre a quantidade de stopwords e as palavras do texto.

as_dict() → dict[str, float]

Retorna os valores das características desse conjunto para um dado texto.

Retorna:

características contidas nesse FeatureSet para um dado texto.

Tipo de retorno:

dict[str, float]

as_numpy() → ndarray[float32]

Retorna as características como uma NumPy array. Os valores de cada índice são correspondentes às características na ordem de names().

Retorna:

array de np.float32 representando os valores das características.

Tipo de retorno:

ndarray[float32]

as_tensor(device: str | None = None) → Tensor

Retorna as características como um tensor. Os valores de cada índice são correspondentes às características na ordem de names().

Parâmetros:

device (str, opcional) – dispositivo de armazenamento.

Retorna:

Tensor do torch representado os valores das características.

Tipo de retorno:

Tensor

names() → list[str]

Retorna os nomes das características em ordem lexicográfica. Todos os outros métodos apresentam os valores conforme essa ordem.

Retorna:

nome das características desse conjunto.

Tipo de retorno:

list[str]

class aibox.nlp.features.portuguese.descriptive.DescriptiveExtractor(nlp: Language | None = None)

Base: FeatureExtractor

Extrator de características descritivas.

Parâmetros:

nlp (Language | None) – modelo do spaCy a ser utilizado. Defaults to “pt_core_news_md”.

Exemplo de uso em FeatureExtractor

property feature_set: type[DescriptiveFeatures]

Retorna a classe que contém o conjunto de características retornado por esse extrator.

Retorna:

classe do conjunto de características retornado por esse extrator.

extract(text: str, **kwargs) → DescriptiveFeatures

Realiza a extração de características para o texto de entrada.

Parâmetros:

• text (str) – texto.

• **kwargs – argumentos extras que pode ser utilizados por alguns extratores para controlar o processo de extração.

Retorna:

características para o texto de entrada.

Tipo de retorno:

DescriptiveFeatures

vectorize(text: str | list[str] | ndarray[str_], vector_type: str = 'numpy', device: str | None = None, **kwargs) → ndarray | Tensor

Método para vetorização de textos. A vetorização de múltiplos textos é realizada de forma paralela sempre que possível.

Aceita os campos n_workers (default=`min(4, cpu_count)`) e show_bar (default=`true`) quando array-like de string. Demais parâmetros são passados para _vectorize().

n_workers é utilizado quando a implementação utiliza multiprocessing. Caso n_workers <= 1, um for.

Parâmetros:

• text (str | list[str] | ndarray[str_]) – texto ou textos de entrada.

• vector_type (str, opcional) – tipo do vetor de saída (‘numpy ou ‘torch’).

• device (str, opcional.) – dispositivo para armazenamento do tensor Torch. Padrão é CPU.

• **kwargs – parâmetros extras que podem ser utilizados por alguns vetorizadores para controlar o processo de vetorização.

Retorna:

representação numérica do texto.

Tipo de retorno:

ndarray | Tensor