From 7aba0bc446ede4cd82d9f197b423d032db84fded Mon Sep 17 00:00:00 2001
From: SebastianCB <sebastian.carrillob01@gmail.com>
Date: Wed, 2 Nov 2022 22:27:42 -0500
Subject: [PATCH] Feat: Added more function to preprocessing service

---
 BECK/app.py                   | 57 +++++++----------------------------
 BECK/preprocessing_service.py | 32 ++++++++++++++++++--
 2 files changed, 40 insertions(+), 49 deletions(-)

diff --git a/BECK/app.py b/BECK/app.py
index f1720b6..786f2df 100644
--- a/BECK/app.py
+++ b/BECK/app.py
@@ -1,51 +1,16 @@
-import json
-from pprint import pprint
-import numpy as np
-from sklearn.metrics import euclidean_distances
-
-from preprocessing_service import Preprocesamiento
-from model_word2vec_service import ModelWord2Vec
+import pandas as pd
 import nltk
 nltk.download('punkt')
+from preprocessing_service import Preprocesamiento
 
-# Leer información del archivo items.json y de comentarios test
-comments_array = list(open('./comentarios_test.txt',
-                      'r', encoding='utf-8').readlines())
-
-# Leer información del archivo item_preprocess.json
-beck_data_preprocessing = {}
-try:
-    if open('./JSON/items_preprocessing.json', 'r'):
-        beck_data_preprocessing = json.loads(
-            open('./JSON/items_preprocessing.json', 'r', encoding='utf-8').read())
-except Exception as e:
-    print(f'Error: {e}')
-
-
-preprocesamiento = Preprocesamiento()
-# Vector Space Embedding
-w2v = ModelWord2Vec()
-word1 = ["hoy", "querer", "morir"]
-word2 = ["ser", "dia", "suicidar"]
-w2v.add_corpus(word1)
-w2v.add_corpus(word2)
-# comment_test = preprocesamiento.preprocesamiento_con_ortografia(
-#     comments_array[0])
-# array_item = []
-# # Get Vector Beck
-# item_string = 'Pensamiento o deseos suicidas'
-# for key in beck_data_preprocessing[item_string].keys():
-#   array_item.append(beck_data_preprocessing[item_string][key]["data"])
-
-# print(comment_test)
-# i = 0
-# for item in array_item:
-#   coseno = w2v.get_cosine_distance(item, comment_test) 
-#   print(f'{item_string} - Item BECK {i} distancia coseno: ${coseno}')
-#   euclidian = w2v.get_euclidian_distance(["hoy", "me", "quiero", "morir"], ["no", "morir"])
-#   print(f'{item_string} - Item BECK {i} distancia euclidiana: ${euclidian}')
-#   i += 1
+df = pd.read_csv('./comentarios_español_depresivos.csv', encoding='utf-8')
+pp = Preprocesamiento()
 
+comentarios = list(df['text'])
+clases = list(df['class'])
 
-# result = w2v.getVectorBeck(comment_test, beck_data_preprocessing)
-# print(result)
+print('-- Comentario antes --')
+print(comentarios[0])
+print('-- Comentario despúes --')
+comentario_preprocesado = pp.preprocesamiento_sin_ortografia(comentarios[0])
+print(comentario_preprocesado)
\ No newline at end of file
diff --git a/BECK/preprocessing_service.py b/BECK/preprocessing_service.py
index 4a7c87f..b043e92 100644
--- a/BECK/preprocessing_service.py
+++ b/BECK/preprocessing_service.py
@@ -42,12 +42,14 @@ def preprocesamiento_con_ortografia(self, texto):
     """
 
     # Eliminar etiquetas y hashtags
+    texto = self.normalizar(texto)
     texto = self.eliminar_etiquetados(texto)
     texto = self.eliminar_emojis(texto)
     texto = self.eliminacion_data_inutil(texto)
     texto = self.correccion_ortografica(texto)
     texto = self.stop_words(texto)
     texto = self.lematizacion(texto)
+    texto = self.eliminar_duplicados(texto)
     return texto
 
 
@@ -59,11 +61,13 @@ def preprocesamiento_sin_ortografia(self, texto):
     :return: Texto procesado y limpiado
     """
     # Eliminar etiquetas y hashtags
+    texto = self.normalizar(texto)
     texto = self.eliminar_etiquetados(texto)
     texto = self.eliminar_emojis(texto)
     texto = self.eliminacion_data_inutil(texto)
     texto = self.stop_words(texto)
     texto = self.lematizacion(texto)
+    texto = self.eliminar_duplicados(texto)
     return texto
   
   def eliminar_etiquetados(self, texto):
@@ -99,9 +103,7 @@ def eliminacion_data_inutil(self, texto):
       El listado de signos de puntuación se ha obtenido de: print(string.punctuation)
       y re.escape(string.punctuation)
     '''
-
-    # Se convierte todo el texto a minúsculas
-    nuevo_texto = texto.lower()
+    nuevo_texto = texto
     # Eliminación de páginas web (palabras que empiezan por "http")
     nuevo_texto = re.sub('http\S+', ' ', nuevo_texto)
     # Eliminación de signos de puntuación
@@ -162,3 +164,27 @@ def correccion_ortografica(self, texto):
       result += res + " "
     result = result.strip()
     return result
+
+  def normalizar(self, texto):
+    """
+    1. Toma texto como entrada.
+    2. Convierte el texto a minusculas.
+    3. Reemplaza las letras con tildes por letras normales.
+
+    :param words: Texto a convertir
+    :return: Texto transformado
+    """
+    texto = texto.lower()
+
+    texto = re.sub('á', 'a', texto)
+    texto = re.sub('é', 'e', texto)
+    texto = re.sub('í', 'i', texto)
+    texto = re.sub('ó', 'o', texto)
+    texto = re.sub('ú', 'u', texto)
+    texto = re.sub('ü', 'u', texto)
+    texto = re.sub('ñ', 'n', texto)
+
+    return texto
+
+  def eliminar_duplicados(self, lista):
+    return list(set(lista))