12.朴素贝叶斯-垃圾邮件分类

作业补交

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

•  传统方法来实现
•  nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk
print nltk.__doc__

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:UsersAdministratorAppDataRoaming ltk_data okenizers并解压。

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

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

# 词性还原
def get_wordnet_pos(treebank_tag):
if treebank_tag.startswith('J'): # 形容词
return nltk.corpus.wordnet.ADJ
elif treebank_tag.startswith('V'): # 动词
return nltk.corpus.wordnet.VERB
elif treebank_tag.startswith('N'): # 名词
return nltk.corpus.wordnet.NOUN
elif treebank_tag.startswith('R'): # 副词
return nltk.corpus.wordnet.ADV
else:
return

# 预处理
def preprocessing(text):
tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 将所有单词形成列表
stops = stopwords.words('english') # 停用词
tokens_stop = [token for token in tokens if token not in stops] # 去掉停用词
lemmatizer = WordNetLemmatizer()
tag = nltk.pos_tag(tokens_stop) # 词性标注
newtokens = []
for i, token in enumerate(tokens_stop):
if token:
pos = get_wordnet_pos(tag[i][1])
if pos:
word = lemmatizer.lemmatize(token, pos)
newtokens.append(word)
return newtokens

file_path = r".SMSSpamCollection"
sms = open(file_path, 'r', encoding='utf-8')
sms_data = []
sms_lable = []
csv_reader = csv.reader(sms, delimiter=' ')
for r in csv_reader:
sms_lable.append(r[0])
sms_data.append(preprocessing(r[1])) # 对每封邮件做预处理
sms.close()

print("邮件标签为： ", sms_lable)
# 将sms_data换行输出，方便查看
print("邮件标签为：")
for i in sms_data:
print(i, end=" ")

结果：

 

3. 训练集与测试集

4. 词向量

5. 模型