おかーさん→おかあさんのような長音の処理をするプログラムを作りたい

Question

前提

機械学習をする前のデータの前処理を行なっています。
ひらがな化や[ ]の削除などの処理を行なっていますが、その中で(例)おかーさん→おかあさん、おとーさん→おとおさんなどの処理を追加した時にエラーが発生しました。

詳細
現在、日本語の方言から標準語への機械学習を行なっています。
その為にデータの前処理を行なっていますが、プログラミングが難しく戸惑っています。コーパスとしては国立国語研究所の「全国方言談話データベース　ふるさと言葉集成」を用いています(csvファイル）。プログラムは標準語の列だけを抜き出して処理をしています。

実現したいこと

ここに実現したいことを箇条書きで書いてください。
●長音の処理が実行されるプログラムを作りたい
(例)おかーさん→おかあさん、おとーさん→おとおさん

該当のソースコード

#coding: UTF-8
import re
import pandas as pd
from pathlib import Path
import jaconv
from pykakasi import kakasi


hougen_train = [] 
hougen_val = [] 
hyouzyun_train = [] 
hyouzyun_val = []

count = 0
table = str.maketrans({
            '゜': '゛',
        })

#パスの指定
p = Path('datasets/hougen_data')
#*csvと言う名前のファイルを１つずつ読みとる
file_name = '01_b_099_utf8.csv'
csv_files = p.glob(file_name) 
#csvファイルを１つずつ処理
for file in csv_files:
    df = pd.read_csv(file)

    #9:1にデータを分割
    count_hyozyun = 1
    count_hougen = 1
    rows = len(df.axes[0])
    count += rows
    sample_num = rows*0.9
    data_hyozyun = df["標準語テキスト"]
 
    #標準語テキストの処理
    for i in data_hyozyun:
        #ここが質問の分からないところです(該当箇所)
        for j in i:
            if j == "ー":
                if prev in "かがさざただなはばぱまやら":
                    j = "あ"
                if prev in "きぎしじちぢにひびみり":
                    j = "い"
                if prev in "くぐすずつづぬふぶむるゆゅ":
                    j = "う"
                if prev in "けげせぜてでねへべぺめれ":
                    j = "え"
                if prev in "こごそぞとどのほぼぽもよろょ":
                    j = "お"
            print(j, end="")
            prev = j
        data = prev
        print(data)
    
        #ひらがな化、[]、〔〕の削除
        data = re.sub("［[あ-ゟ]］", "", str(i))
        #  data = re.sub("｛笑｝", "", data)
        data = re.sub("〔.+?〕", "", data)
        #漢字〜ひらがなに変換
        # オブジェクトをインスタンス化
        kakasi_1 = kakasi()
        # モードの設定：J(漢字) ~ H(ひらがな)
        kakasi_1.setMode('J', 'H')
        conv = kakasi_1.getConverter()

        # 変換して出力
        if count_hyozyun < sample_num:
            hyouzyun_train.append( conv.do(data))
        else:
            hyouzyun_val.append( conv.do(data))
        count_hyozyun += 1


#標準語(train)の作成
with open("datasets/fix_data/hyouzyun_train_2.txt", "w") as hyouzyun:  
        for content in hyouzyun_train:
            hyouzyun.write(content + "\n")
                        
#標準語(test)の作成
with open("datasets/fix_data/hyouzyun_val_2.txt", "w") as hyouzyun: 
        for content in hyouzyun_val:
            hyouzyun.write(content + "\n")

試したこと

一応、その他のひらがな化や[ ]の削除などの処理はしっかりと出来ていますが、該当箇所を追加したところ上手く処理が出来ません。

補足情報（FW/ツールのバージョンなど）

●python3.8.2

Comments

[meg_]

> 該当箇所を追加したところ上手く処理が出来ません。
「上手く処理が出来ません」とは具体的にはどうなるべきものがどうなっているのでしょうか？

[O_Sho3]

ご質問ありがとうございます。
エラーは出ずにただ単に「ー」の処理以外の処理はしっかりと出来ていて何も変化が無いと言う事です。

[melian]

例えば入力が「おかーさん」の場合、

data = prev

の処理で data の内容は最終的に「ん」になっているかと思うのですが、それは問題ないでしょうか？

[TakaiY]

質問者さん、回答はここに書くのではなく、質問を編集してください。

[meg_]

一部で良いので「01_b_099_utf8.csv」のデータを示していただけませんか？

Answer 1

文字列はイミュータブルなデータなので、配列などと異なりfor文で1文字ずつ取り出してそれを変更しても元の文字列を変えることはできません。
以下のコードでは、ABXDEにはなりません。

s = 'ABCDE'
for i in s:
    if i == 'C':
        i = 'X'
print(s)
# -> ABCDE

変えるには新しい文字列を作る必要があるのですが、元の方式に近い方法だと、配列に入れておいて後で文字列に直す方法があります。

s = 'ABCDE'
new_s = []
for i in s:
    if i == 'C':
        new_s.append('X')
    else:
        new_s.append(i)
new_s = "".join(new_s)
print(new_s)
# -> ABXDE

他にもいくつかやりかたあります。