Este é um componente que utiliza a biblioteca nltk e ftfy e regex para pré processar textos que entrrão em outros componentes.

Espera-se como entrada para o componente uma tabela com pelo menos uma coluna em formato de texto.

A seguir são listados todos os parâmetros utilizados pelo componente:

• Atributo alvo: feature (Obrigatório).
  Seu modelo será treinado para prever os valores do alvo.
• Linguagem: string, {"Português", "Inglês"}, padrão: "Português".
  Linguagem para pre-processar.
• Aplicação de casing: string, {"Caixa baixa", "Caixa alta", "Não Aplicar"}, padrão: "Caixa baixa".
  Caixa baixa, caixa alta ou não aplicação de caixa.
• Remoção de Stop Words: boolean, {True, False}, padrão:True.
  Caso True remove conjunções, artigos e outros textos que não carregam informações relevantes para certas classes de algorítmos de NLP.
• Remoção de Top Words: boolean, {True, False}, padrão:True.
  Caso True remove as palavras que mais aparece todo texto, em que a porcentagem pe controlada.
• Porcentagem de Top Words: float, padrão:0.01.
  Porcentagem das palavras que mais aparecem.
• Stemming: boolean, {True, False}, padrão:False.
  Caso True aplica stemming. Esta técnica remove os sufixos das palavras.
• Lemmatization: boolean, {True, False}, padrão:False.
  Caso True aplica lemmatization. Esta técnica mantém apenas as raízes das palavras.
• Remoção de pontuação: boolean, {True, False}, padrão:False.
  Caso True remove as pontuações do texto.
• Remoção de quebras de linha: boolean, {True, False}, padrão:False.
  Caso True remove todas as quebras de linha \n e \r no texto.
• Remoção de acentos: boolean, {True, False}, padrão:False.
  Caso True remove todos os acentos no texto.
• Remoção de HTML: boolean, {True, False}, padrão:False.
  Caso True remove todas as tags HTML. Estas possuem o formato
• Remoção de CSS: boolean, {True, False}, padrão:False.
  Caso True remove todas as tags CSS. Estas possuem o formato {tag}

1. Espera-se como retorno os textos pré-processados em formato de tabela para as colunas especificadas.

Espera-se como retorno os textos pré-processados em formato de tabela para as colunas especificadas.