python之自然语言处理入门(一)

前言

NTLK是著名的Python自然语言处理工具包,记录一下学习NTLK的总结。

安装nltk

pip install nltk

# 测试
import nltk

• 安装相关的包

import nltk
nltk.download()
# 在弹出的界面选择想要安装的包

# 也可以指定安装
nltk.download('brown')

自然语言处理

第一步：获取语料库

语料库又称为词典，涉及多个分类，nltk自带了大量的语料库，意料之中大部分都是英文语料库，随便选一个装上。

import nltk
nltk.download('brown') # 布朗大学的语料库

但是我需要的是中文的语料库，发现有一个繁体中文的语料库，装上；

nltk.download('sinica_treebank')

另外还可以安装自己的语料库，将语料库文件放在LTK_DATA/corpora/的目录下

from nltk.corpus import PlaintextCorpusReader
corpus_root = r"xxxx" # 获取语料库目录
file_pattern = r"xxx.txt" # 获取下面的文件
wordlists = PlaintextCorpusReader(corpus_root, file_pattern)
wordlists.fileids() # 获取文件列表
wordlists.words("1001.txt") # 获取单词

很多的分词工具自带了标注语料库，可以参考使用。

第二步：分词

将一个句子分解成不同词性的词语，有众多不同的分词工具，英文分词简单，中文如jieba，foolnltk等。

• 英文分词

# 安装库
import nltk
nltk.download('punkt')

import nltk
text1 = 'I like the movie so much!'
raw_words = nltk.word_tokenize(text1)
print(raw_words)

• 中文分词

# 安装
pip install jieba

import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode:" + "/ ".join(seg_list))  # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

英文文本的词形归一化

• 词干提取

# 三个常用的类PorterStemmer, SnowballStemmer, LancasterStemmer
from nltk.stem.porter import PorterStemmer, SnowballStemmer, LancasterStemmer

porter_stemmer = PorterStemmer()
snowball_stemmer = SnowballStemmer('english') # 选择一门语言
lancaster_stemmer = LancasterStemmer()
print(lancaster_stemmer.stem('looked'))
print(porter_stemmer.stem('red'))
print(porter_stemmer.stem('looking')) # 除去ing等保留词干
snowball_stemmer.stem('looking')

• 词形归并

from nltk.stem import WordNetLemmatizer 

wordnet_lematizer = WordNetLemmatizer()
print(wordnet_lematizer.lemmatize('are'))
print(wordnet_lematizer.lemmatize('went'))

• 词性标注

import nltk

words = nltk.word_tokenize('Python is a good language.')
print(nltk.pos_tag(words))

• 去除停用词

停用词都是人工输入、非自动化生成的，形成停用词表,分词后判断是否是停用词。

from nltk.corpus import stopwords
filtered_words = [word for word in words if word not in stopwords.words('english')]

英文语言处理实例

• 安装需要的库

import nltk
nltk.download('wordnet')
nltk.download('punkt')
nltk.download('stopwords')

• 实例

import nltk
from nltk.stem import WordNetLemmatizer
from nltk.corpus import stopwords

def proc_text(text):
    """
    处理文本
    """
    # 分词
    raw_words = nltk.word_tokenize(text)
    new_words = raw_words
    # 词形归并
    wordnet_lematizer = WordNetLemmatizer()
    words = [wordnet_lematizer.lemmatize(new_word) for new_word in new_words]
    # 去除停用词
    filtered_words = [word for word in words if word not in stopwords.words('english')]
    # 去除标点
    res_words = [word for word in filtered_words if word not in ',.!' ]
    return res_words 

if __name__ == "__main__":
    with open('./english.txt') as f:
        text = f.read()
        print(proc_text(text))

中文语言处理实例

import jieba

def chinese_text(text):
    """
    处理中文文本
    :param text:
    :return:
    """
    # 分词
    word_list = jieba.cut(text, cut_all=True)
    # 除去空字符
    words = [word for word in word_list if word]
    return words

总结

自然语言处理按步骤来分别为获取语料库、加载语句进行分词、词型归一化、最后输出处理结果，后续在此基础上可以进一步统计、过滤等。

参考

• https://github.com/fxsjy/jieba/tree/master

• http://www.nltk.org/py-modindex.html