引言
在nltk的介绍文章中，前面几篇主要介绍了nltk自带的数据（书籍和语料），感觉系统学习意义不大，用到哪里看到那里就行（笑），所以这里会从一些常用功能开始，适当略过对于数据本体的介绍。
文本处理
词频提取
把切分好的词表进行词频排序（按照出现次数排序），
|
1
2
3
|
all_words = nltk.FreqDist(w.lower() for w in nltk.word_tokenize("I'm foolish foolish man"))
print(all_words.keys())
all_words.plot() |
dict_keys(["'m", 'man', 'i', 'foolish'])
只考虑最高频率的两个词，并且绘制累积图，
1 |
all_words.plot(2, cumulative=True)
|
英文词干提取器
|
1
2
3
|
import nltk
porter = nltk.PorterStemmer()
porter.stem('lying')
|
'lie'
英文分词
|
1
2
|
text = nltk.word_tokenize("And now for something completely different")
print(text)
|
['And', 'now', 'for', 'something', 'completely', 'different']
分词&词形还原&词根还原使用概览
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
import nltk
sent = "I'm super lying man"
'''分词'''print(nltk.word_tokenize(sent))
print(nltk.tokenize.word_tokenize(sent))
'''词根还原'''porter = nltk.PorterStemmer()
print([porter.stem(x) for x in nltk.word_tokenize(sent)])
'''词形还原(lemmatizer)，即把一个任何形式的英语单词还原到一般形式，与词根还原不同(stemmer)，后者是抽取一个单词的词根。'''porter2 = nltk.stem.WordNetLemmatizer()
print([porter2.lemmatize(x) for x in nltk.word_tokenize(sent)])
|
词性标注
|
1
2
3
|
print(nltk.pos_tag(text))
print(nltk.pos_tag(['i','love','you']))
print( nltk.pos_tag(['love','and','hate']))
|
[('And', 'CC'), ('now', 'RB'), ('for', 'IN'), ('something', 'NN'), ('completely', 'RB'), ('different', 'JJ')]
[('i', 'NN'), ('love', 'VBP'), ('you', 'PRP')]
[('love', 'NN'), ('and', 'CC'), ('hate', 'NN')]
厉害的地方在这里：第二局里面的love是动词，第三句里面的love是名词。
词性标注语料制作
|
1
2
|
tagged_token = nltk.tag.str2tuple('fly/NN')
print(tagged_token)
|
('fly', 'NN')
中文的也行，
|
1
2
|
sent = '我/NN 是/IN 一个/AT 大/JJ 傻×/NN'
[nltk.tag.str2tuple(t) for t in sent.split()] # 中文语料词性标注（&分词）
|
[('我', 'NN'), ('是', 'IN'), ('一个', 'AT'), ('大', 'JJ'), ('傻×', 'NN')]
词性标注器
默认标注器：
不管什么词，都标注为频率最高的一种词性。比如经过分析，所有中文语料里的词是名次的概率是13%最大，那么我们的默认标注器就全部标注为名次。这种标注器一般作为其他标注器处理之后的最后一道门，即：不知道是什么词？那么他是名词。
|
1
2
3
4
5
6
7
8
9
|
raw = '我 累 嗯个 e去?'
tokens = nltk.word_tokenize(raw)
default_tagger = nltk.DefaultTagger('NN')
tags = default_tagger.tag(tokens)
print(tokens)
print(tags)
|
['我', '累', '嗯个', 'e去', '?']
[('我', 'NN'), ('累', 'NN'), ('嗯个', 'NN'), ('e去', 'NN'), ('?', 'NN')]
正则表达式标注器：
满足特定正则表达式的认为是某种词性，比如凡是带“们”的都认为是代词(PRO)。
|
1
2
3
4
5
|
pattern = [('.*们$','PRO')]
tagger = nltk.RegexpTagger(pattern)
print(tagger.tag(nltk.word_tokenize('我们 累 个 去 你们 和 他们 啊')))
|
[('我们', 'PRO'), ('累', None), ('个', None), ('去', None), ('你们', 'PRO'), ('和', None), ('他们', 'PRO'), ('啊', None)]
查询标注器：
找出最频繁的n个词以及它的词性，然后用这个信息去查找语料库，匹配的就标记上，剩余的词使用默认标注器(回退)。这一般使用一元标注的方式，见下面。
一元标注：基于已经标注的语料库做训练，然后用训练好的模型来标注新的语料。
|
1
2
3
4
5
6
7
|
sents = [[u'我', u'你', u'小兔']]
tagged_sents = [[(u'我', u'PRO'), (u'小兔', u'NN')]]
unigram_tagger = nltk.UnigramTagger(tagged_sents)
tags = unigram_tagger.tag(sents[0])
print(tags)
|
[('我', 'PRO'), ('你', None), ('小兔', 'NN')]
二元标注和多元标注：一元标注指的是只考虑当前这个词，不考虑上下文，二元标注器指的是考虑它前面的词的标注，用法只需要把上面的UnigramTagger换成BigramTagger，同理三元标注换成TrigramTagger（并未有示例）。
组合标注器：
为了提高精度和覆盖率，我们对多种标注器组合，比如组合二元标注器、一元标注器和默认标注器，如下，
|
1
2
3
|
t0 = nltk.DefaultTagger('NN')
t1 = nltk.UnigramTagger(train_sents, backoff=t0)
t2 = nltk.BigramTagger(train_sents, backoff=t1)
|
直接调用t2即可。
持久化&较为完整的训练一个标注器：
|
1
2
3
4
5
6
7
8
9
10
11
|
sent = '我/NN 是/IN 一个/AT 好的/JJ 人/NN'
train_sents = [[nltk.tag.str2tuple(t) for t in sent.split()]]
t0 = nltk.DefaultTagger('NN')
t1 = nltk.UnigramTagger(train_sents, backoff=t0)
t2 = nltk.BigramTagger(train_sents, backoff=t1)
from pickle import dump
output = open('t2.pkl', 'wb')
dump(t2, output, -1)
output.close() |
加载在这里，
|
1
2
3
4
|
from pickle import load
input = open('t2.pkl', 'rb')
tagger = load(input)
input.close()
|