知识卡片
文件组织方式限定语料边界
邮件目录中按人和收件/发件等文件夹存放单封消息,选取哪些路径会改变分析覆盖。只取inbox得到收件箱子集,不等于某人全部通信或整库;同一消息可能在多个位置留副本,后续按记录计数前还需明确去重与身份口径。目录结构本身不是业务关系图。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 4 处
- · 查看原书依据
根据人或文件夹对一系列邮箱进行组织的文件夹集合。数据的规范化和清洗是一个常规步骤,本章将提供一些思路和做法。 如果你好好的利用本书中的虚拟机知识,本章的IPython Notebook提供了将数据下载到合适位置的脚本,来让你顺顺利利地学习这些示例。完整的Enron语料的压缩版本大约有450MB,你可以下载它来跟随这些练习学习。如果你的网速正常而且电脑较新,那
- · 查看原书依据
!= 'inbox': continue # Process each message in 'inbox' for file_name in file_names: file_path = os.path.join(root, file_name) message_text = open(file_path).read() # Compute fields
- · 查看原书依据
inbox)文件夹中是这样的[2]。(记住我们只选择加载Enron语料库里收件箱文件夹中的部分数据。加载更多的数据,比如发送项(sent items)的邮件,给读者留作练习以便深入探索)。下面两条是留给那些想对Kenneth Lay的邮件数据进行深入分析的读者的: ·大公司的总经理都拥有助手来进行多方面的沟通。Kenneth Lay的助手是Rosalee F
- · 查看原书依据
选择一些邮件,点选“File”(文件)菜单中的“Save As”(另存为),然后选择“Raw Message Source”(原始信息源)作为格式选择,来将邮件导出为mbox文件(参见图6-2)。在网上搜索一下,就能找到大多数主流客户端是如何操作的了。 图6-2:大多数邮件客户端提供导出你的邮件数据到mbox文件的选项 如果你只使用在线邮件客户端,你可以选择