MeCab Jupyterで形態素解析をして名詞のみをリストアップした

まずは試しに解析してみる

import MeCab as mc
tagger = mc.Tagger('')
results = tagger.parse('列島縦断 鉄道乗りつくしの旅～JR20000km全線走破～ダイジェスト')
print(results)

# 列島	名詞,一般,*,*,*,*,列島,レットウ,レットー
# 縦断	名詞,サ変接続,*,*,*,*,縦断,ジュウダン,ジューダン
# 鉄道	名詞,一般,*,*,*,*,鉄道,テツドウ,テツドー
# 乗り	名詞,接尾,一般,*,*,*,乗り,ノリ,ノリ
# つくし	名詞,一般,*,*,*,*,つくし,ツクシ,ツクシ
# の	助詞,連体化,*,*,*,*,の,ノ,ノ
# 旅	名詞,サ変接続,*,*,*,*,旅,タビ,タビ
# ～	名詞,サ変接続,*,*,*,*,*
# JR	名詞,一般,*,*,*,*,*
# 20000	名詞,数,*,*,*,*,*
# km	名詞,一般,*,*,*,*,*
# 全線	名詞,一般,*,*,*,*,全線,ゼンセン,ゼンセン
# 走破	名詞,サ変接続,*,*,*,*,走破,ソウハ,ソーハ
# ～	名詞,サ変接続,*,*,*,*,*
# ダイジェスト	名詞,サ変接続,*,*,*,*,ダイジェスト,ダイジェスト,ダイジェスト
# EOS

文字列形式でアウトプットされ、tabやら改行やら、カンマなどいろいろ区切り文字があるのでめんどくさそう。

ちなみに名詞は名詞でも英語(ローマ字)は以下のように、カンマの区切りの数も変わるよう

tagger = mc.Tagger('')
results = tagger.parse('NHK紅白歌合戦')
print(results)

# NHK	名詞,固有名詞,組織,*,*,*,*   　　　　　　　　　 <= カンマ6個
# 紅白	名詞,一般,*,*,*,*,紅白,コウハク,コーハク　　　　 <= カンマ8個
# 歌合戦	名詞,一般,*,*,*,*,歌合戦,ウタガッセン,ウタガッセン　<= カンマ8個
# EOS

名詞だけ抽出してみる

簡単な処理の順番

処理の順番的には、

①形態素解析

②改行で分割

③tabで分割

2つに別れる
["紅白","名詞,一般,*,*,*,*,紅白,コウハク,コーハク"]

④後半をさらにカンマで分割

['名詞','一般','*','*','*','*','紅白','コウハク','コーハク']

⑤上記リストの始まりが名詞であれば、名詞リストに追加

ソースコード

# 名詞を抽出
def extractNoun(text):
    tagger = mc.Tagger('')
    results = tagger.parse(text)
    keywords = []
    keywords_kana = []
    for r in results.split('\n'):
        cols = r.split("\t")
        if len(cols) >= 2:
            parts = cols[1].split(",")
            if parts[0].startswith("名詞"):
                keywords.append(cols[0])
                if len(parts) > 7
                    keywords_kana.append(parts[7])
    return keywords, keywords_kana

色々試してみた

list = [
    'NHKニュース',
    '生活の知恵',
    'ピーマン袋',
    '生活ほっとモーニング',
    '土曜元気市',
    'お元気ですか日本列島',
    '経済羅針盤'
]

for name in list:
    keyword, kana = extractNoun(name)
    print('○' + name)
    print('名詞  : ' + ','.join(keyword))
    print('カナ   : ' + ','.join(kana))


# ○NHKニュース
# 名詞  : NHK,ニュース
# カナ   : ニュース
# ○生活の知恵
# 名詞  : 生活,知恵
# カナ   : セイカツ,チエ
# ○ピーマン袋
# 名詞  : ピーマン,袋
# カナ   : ピーマン,ブクロ
# ○生活ほっとモーニング
# 名詞  : 生活,モーニング
# カナ   : セイカツ,モーニング
# ○土曜元気市
# 名詞  : 土曜,元気,市
# カナ   : ドヨウ,ゲンキ,シ
# ○お元気ですか日本列島
# 名詞  : 元気,日本,列島
# カナ   : ゲンキ,ニッポン,レットウ
# ○経済羅針盤
# 名詞  : 経済,羅針盤
# カナ   : ケイザイ,ラシンバン

最後に

次回は実際に名詞が羅列されたcsvやエクセルを読み込んで
いい感じにDataFrameにするところまでやりたい