作业11 12.朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

import csv
file_path = r'E:大3  学期2机器学习项目datasSMSSpamCollection'
sms = open(file_path,'r',encoding='utf_8')
csv_reader=csv.reader(sms,delimiter='	')
for r in csv_reader:
    print(r)
sms.close()

结果如图：

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

 代码如下：

################（3）对邮件进行预处理
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv

#编写预处理函数
def preprocessing(text):
    tokens = []
    for sent in nltk.sent_tokenize(text):      #对文本按照句子进行分割;
        for word in nltk.word_tokenize(sent):  #对句子进行分词；
            tokens.append(word)              #存放在token中
    #去除停用词
    stops=stopwords.words("english")
    tokens = [token for token in tokens if token not in stops]

    #词性标注
    nltk.pos_tag(tokens)

    #词性还原
    lemmatizer=WordNetLemmatizer()  #定义还原对象
    tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]  #名词
    tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]  #动词
    tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]  #形容词

    # 返回处理后的文本
    return tokens

#读取数据集
sms=open("E:大3  学期2机器学习项目datasSMSSpamCollection",'r',encoding='utf-8')
sms_data=[]  #存放数据
sms_label=[]  #存放标签
mydata=csv.reader(sms,delimiter='	')
for line in mydata:  #预处理
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()

print("标题：" , sms_label)    #标题
print("处理后的数据：")           #处理后的邮件内容
for line in sms_data:
     print(line)

结果如图：

3. 训练集与测试集

4. 词向量

5. 模型