12.朴素贝叶斯-垃圾邮件分类

1.1 读邮件数据集文件，提取邮件本身与标签。

以numpy数组形式存储：

import csv
# import nltk
from nltk.corpus import stopwords  # 停用词
from nltk.stem import WordNetLemmatizer  # 词性还原

# 读取数据集
file_path = r'E:SMSSpamCollection'
sms = open(file_path, 'r', encoding='UTF-8')
sms_data = []
sms_label = []
csv_reader = csv.reader(sms, delimiter='	')
for line in csv_reader:
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))  # 对每封邮件做预处理
sms.close()
sms_data

 运行结果：

1.2 邮件预处理

1. 邮件分句
2. 句子分词
3. 大小写，标点符号，去掉过短的单词
4. 词性还原：复数、时态、比较级
5. 连接成字符串

运行结果：

2.1 传统方法来实现

2.2 nltk库的安装与使用

pip install nltk  # 安装nltk

import nltk  # 导入nltk包

#利用nltk下载软件

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

方案（1）：直接安装 -- 可能由于网速问题下载很慢

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

 

方案（2）：手动安装

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。

方案（3）：手动安装

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

手动安装成功后将nltk_data放在用户目录（C:Users刘晓敏AppDataRoaming）。

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

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

 运行结果：

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

 运行结果：

如果提示punkt not found

nltk.download(‘punkt’)

或 下载punkt.zip

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

复制并解压到对应的目录(C:Users刘晓敏AppDataRoaming ltk_data okenizers)，要把原来的删掉

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

# tokens是句子分词后的结果，同样是句子级的标注
# 查看说明 nltk.help.upenn_tagset('JJ')

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

# 预处理


def preprocessing(text):
    # text=text.decode("utf-8")
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    stops = stopwords.words('english')
    tokens = [token for token in tokens if token not in stops]

    tokens = [token.lower() for token in tokens if len(token) >= 3]
    lmtzr = WordNetLemmatizer()
    tokens = [lmtzr.lemmatize(token) for token in tokens]
    preprocessed_text = ' '.join(tokens)
    return preprocessed_text

3. 训练集与测试集

4. 词向量

5. 模型

a