掌握excel线性回归技巧助力数据分析与决策优化
764
2022-05-30
学习总结
文章目录
学习总结
一、Natural Language Toolkit
二、常用语料库和词典
三、常用NLP工具集
3.1 分句
3.2 标记解析
3.3 词性标注
Reference
一、Natural Language Toolkit
NLTK提供了多种语料库(Corpora)和词典(Lexicon)资源,如WordNet等,以及常用工具集,如分句、标记解析(Tokenization)、词干提取(Stemming)、词性标注(POS Taggin)和句法分析(Syntactic Parsing)等,用于英文文本数据处理。
关于nltk的下载还是很多坑的,如果直接import nltk和nltk.download()下载失败,可参考:
(1)nltk安装失败:由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败。
(2)直接下载github的nltk:https://github.com/nltk/nltk_data。我一开始就是一直报错For more information see: https://www.nltk.org/data.html. Attempted to load tokenizers/punkt/english.pickle,然而nltk_data确实已经解压了还放在正确的路径中了还不行,尝试了几个办法后报错OSError: No such file or directory: 'D:\anaconda1\envs\tensorflow\lib\nltk_data\tokenizers\punkt\PY3\english.pickle'发现木有PY3文件,加了个PY3文件夹后还是不行,最后直接去github上重新下载一个nltk的punkt包直接解压就行了。。。
(3)如果还是不行,就绝对路径吧sent_detector = nltk.data.load('D:\local\Anaconda3\Lib\site-packages//nltk-data//tokenizers/punkt/english.pickle'),狗头滑稽。
注意:
nltk包放在的位置,可以通过如下代码查看:
import nltk nltk.data.path
1
2
二、常用语料库和词典
常用语料库(文本数据集),如图书、电影评论和聊天记录等,分为未标注语料库和人工标注语料库。
NLP任务中可以将一些停用词(如冠词a、the,介词of、to等)删除,提升计算速度,它们含义也不太重要。英文的常用停用词:
from nltk.corpus import stopwords print(stopwords.words('english')) ['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', 'your', 'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 'himself', 'she', 'her', 'hers', 'herself', 'it', 'its', 'itself', 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 'that', 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 'of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above', 'below', 'to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 'once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will', 'just', 'don', 'should', 'now']
1
2
3
4
5
6
7
三、常用NLP工具集
3.1 分句
分句:将较长的文档切分为若干句子。
一个句子结尾一般有明显标志(如句号、问好、感叹号等)。
也有特殊情况,在英文中,句号不仅作为句尾标志,还可以作为单词的一部分,如Mr.
# 分句 from nltk.corpus import gutenberg from nltk.tokenize import sent_tokenize text = gutenberg.raw("austen-emma.txt") sentences = sent_tokenize(text) # 对Emma小说全文分句 print(sentences[100]) # 显示其中一个句子
1
2
3
4
5
6
其中一句的分句的结果为:
Mr. Knightley loves to find fault with me, you know-- in a joke--it is all a joke.
1
2
也可以自己写的句子试试,然后进行分句:
from nltk.tokenize import sent_tokenize mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude." print(sent_tokenize(mytext))
1
2
3
分句的结果为:
['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']
1
3.2 标记解析
NLP最基本的输入单元:标记Token,它可以是一个词或标点符号。
任务如,将句子结尾标点符号和前面的单词进行拆分。
可以使用nltk.tokenize.word_tokenize。
这里接着上面的一个句子sentences[100]进行标记解析:
# 标记解析 from nltk.tokenize import word_tokenize print(word_tokenize(sentences[100]))
1
2
3
得到的该句子的每个token标记:
['Mr.', 'Knightley', 'loves', 'to', 'find', 'fault', 'with', 'me', ',', 'you', 'know', '--', 'in', 'a', 'joke', '--', 'it', 'is', 'all', 'a', 'joke', '.']
1
3.3 词性标注
根据词语上下文,确定具体词性。
如They sat by the fire和They fire a gun的fire意思不同,前者是名词,后者是动词。
# 词性标记 from nltk import pos_tag # 对句子标记解析后再进行词性标注 In [3]:pos_tag(word_tokenize("They sat by the fire.")) Out[3]: [('They', 'PRP'), ('sat', 'VBP'), ('by', 'IN'), ('the', 'DT'), ('fire', 'NN'), ('.', '.')] In [4]:pos_tag(word_tokenize("They fire a gun.")) Out[4]: [('They', 'PRP'), ('fire', 'VBP'), ('a', 'DT'), ('gun', 'NN'), ('.', '.')]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
从上面词性标注的结果看出,前者句子的fire被标注为名词(NN),后者被标注为动词(VBP),如果不知道词性单词的含义,可以help查询:
nltk.help.upenn_tagset('NN')
1
Reference
(1)NLTK官网:https://www.nltk.org/
(2)https://github.com/nltk/nltk_data
自然语言处理基础
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。