Python NLP入门教程
Python NLP入门教程https://csdnimg.cn/release/blogv2/dist/pc/img/reprint.png词语大杂烩 2017-09-29 16:56:16 https://csdnimg.cn/release/blogv2/dist/pc/img/articleReadEyes.png 3245 https://csdnimg.cn/release/blogv2/dist/pc/img/tobarCollect.png 收藏 49
什么是NLP?简单来说,自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。这里讨论一些自然语言处理(NLP)的实际应用例子,如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词,以及生成语法正确完整句子和段落。这并不是NLP能做的所有事情。回到顶部
NLP实现搜索引擎: 比如谷歌,Yahoo等。谷歌搜索引擎知道你是一个技术人员,所以它显示与技术相关的结果;社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理,就会显示相关的广告和帖子。语音引擎:比如Apple的Siri。垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同,它通过了解邮件内容里面的的深层意义,来判断是不是垃圾邮件。回到顶部
NLP库下面是一些开源的自然语言处理库(NLP):[*]Natural language toolkit (NLTK);[*]Apache OpenNLP;[*]Stanford NLP suite;[*]Gate NLP library其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP),它是用Python编写的,而且背后有非常强大的社区支持。NLTK也很容易上手,实际上,它是最简单的自然语言处理(NLP)库。在这个NLP教程中,我们将使用Python NLTK库。回到顶部
安装 NLTK如果您使用的是Windows/Linux/Mac,您可以使用pip安装NLTK:pip install nltk打开python终端导入NLTK检查NLTK是否正确安装:import mltk如果一切顺利,这意味着您已经成功地安装了NLTK库。首次安装了NLTK,需要通过运行以下代码来安装NLTK扩展包:[*]
import nltk
[*]
[*]
nltk.download()
这将弹出NLTK 下载窗口来选择需要安装哪些包:
您可以安装所有的包,因为它们的大小都很小,所以没有什么问题。回到顶部
使用Python Tokenize文本首先,我们将抓取一个web页面内容,然后分析文本了解页面的内容。我们将使用urllib模块来抓取web页面:[*]
import urllib.request
[*]
[*]
response = urllib.request.urlopen('http://php.net/')
[*]
html = response.read()
[*]
print (html)
从打印结果中可以看到,结果包含许多需要清理的HTML标签。
然后BeautifulSoup模块来清洗这样的文字:[*]
from bs4 import BeautifulSoup
[*]
[*]
import urllib.request
[*]
response = urllib.request.urlopen('http://php.net/')
[*]
html = response.read()
[*]
soup = BeautifulSoup(html,"html5lib")
[*]
# 这需要安装html5lib模块
[*]
text = soup.get_text(strip=True)
[*]
print (text)
现在我们从抓取的网页中得到了一个干净的文本。
下一步,将文本转换为tokens,像这样:[*]
from bs4 import BeautifulSoup
[*]
import urllib.request
[*]
[*]
response = urllib.request.urlopen('http://php.net/')
[*]
html = response.read()
[*]
soup = BeautifulSoup(html,"html5lib")
[*]
text = soup.get_text(strip=True)
[*]
tokens = for t in text.split()]
[*]
print (tokens)
回到顶部
统计词频text已经处理完毕了,现在使用Python NLTK统计token的频率分布。可以通过调用NLTK中的FreqDist()方法实现:[*]
from bs4 import BeautifulSoup
[*]
import urllib.request
[*]
import nltk
[*]
[*]
response = urllib.request.urlopen('http://php.net/')
[*]
html = response.read()
[*]
soup = BeautifulSoup(html,"html5lib")
[*]
text = soup.get_text(strip=True)
[*]
tokens = for t in text.split()]
[*]
freq = nltk.FreqDist(tokens)
[*]
for key,val in freq.items():
[*]
print (str(key) + ':' + str(val))
如果搜索输出结果,可以发现最常见的token是PHP。
您可以调用plot函数做出频率分布图:[*]
freq.plot(20, cumulative=False)
[*]
# 需要安装matplotlib库
这上面这些单词。比如of,a,an等等,这些词都属于停用词。一般来说,停用词应该删除,防止它们影响分析结果。回到顶部
处理停用词NLTK自带了许多种语言的停用词列表,如果你获取英文停用词:[*]
from nltk.corpus import stopwords
[*]
[*]
stopwords.words('english')
现在,修改下代码,在绘图之前清除一些无效的token:[*]
clean_tokens = list()
[*]
sr = stopwords.words('english')
[*]
for token in tokens:
[*]
if token not in sr:
[*]
clean_tokens.append(token)
最终的代码应该是这样的:[*]
from bs4 import BeautifulSoup
[*]
import urllib.request
[*]
import nltk
[*]
from nltk.corpus import stopwords
[*]
[*]
response = urllib.request.urlopen('http://php.net/')
[*]
html = response.read()
[*]
soup = BeautifulSoup(html,"html5lib")
[*]
text = soup.get_text(strip=True)
[*]
tokens = for t in text.split()]
[*]
clean_tokens = list()
[*]
sr = stopwords.words('english')
[*]
for token in tokens:
[*]
if not token in sr:
[*]
clean_tokens.append(token)
[*]
freq = nltk.FreqDist(clean_tokens)
[*]
for key,val in freq.items():
[*]
print (str(key) + ':' + str(val))
现在再做一次词频统计图,效果会比之前好些,因为剔除了停用词:freq.plot(20,cumulative=False)
回到顶部
使用NLTK Tokenize文本在之前我们用split方法将文本分割成tokens,现在我们使用NLTK来Tokenize文本。文本没有Tokenize之前是无法处理的,所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。你可以将段落tokenize成句子,将句子tokenize成单个词,NLTK分别提供了句子tokenizer和单词tokenizer。假如有这样这段文本:Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.使用句子tokenizer将文本tokenize成句子:[*]
from nltk.tokenize import sent_tokenize
[*]
[*]
mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[*]
print(sent_tokenize(mytext))
输出如下:['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']这是你可能会想,这也太简单了,不需要使用NLTK的tokenizer都可以,直接使用正则表达式来拆分句子就行,因为每个句子都有标点和空格。那么再来看下面的文本:Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子,如果使用NLTK:[*]
from nltk.tokenize import sent_tokenize
[*]
[*]
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[*]
print(sent_tokenize(mytext))
输出如下:['Hello Mr. Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']这才是正确的拆分。接下来试试单词tokenizer:[*]
from nltk.tokenize import word_tokenize
[*]
[*]
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[*]
print(word_tokenize(mytext))
输出如下:['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.']Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer,它是NLTK.tokenize的一部分。而且这个tokenizer经过训练,可以适用于多种语言。回到顶部
非英文TokenizeTokenize时可以指定语言:[*]
from nltk.tokenize import sent_tokenize
[*]
[*]
mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
[*]
print(sent_tokenize(mytext,"french"))
输出结果如下:['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]回到顶部
同义词处理使用nltk.download()安装界面,其中一个包是WordNet。WordNet是一个为自然语言处理而建立的数据库。它包括一些同义词组和一些简短的定义。您可以这样获取某个给定单词的定义和示例:[*]
from nltk.corpus import wordnet
[*]
[*]
syn = wordnet.synsets("pain")
[*]
print(syn.definition())
[*]
print(syn.examples())
输出结果是:[*]
a symptom of some physical hurt or disorder
[*]
['the patient developed severe pain and distension']
WordNet包含了很多定义:[*]
from nltk.corpus import wordnet
[*]
[*]
syn = wordnet.synsets("NLP")
[*]
print(syn.definition())
[*]
syn = wordnet.synsets("Python")
[*]
print(syn.definition())
结果如下:[*]
the branch of information science that deals with natural language information
[*]
large Old World boas
可以像这样使用WordNet来获取同义词:[*]
from nltk.corpus import wordnet
[*]
[*]
synonyms = []
[*]
for syn in wordnet.synsets('Computer'):
[*]
for lemma in syn.lemmas():
[*]
synonyms.append(lemma.name())
[*]
print(synonyms)
输出:['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']回到顶部
反义词处理也可以用同样的方法得到反义词:[*]
from nltk.corpus import wordnet
[*]
[*]
antonyms = []
[*]
for syn in wordnet.synsets("small"):
[*]
for l in syn.lemmas():
[*]
if l.antonyms():
[*]
antonyms.append(l.antonyms().name())
[*]
print(antonyms)
输出:['large', 'big', 'big']回到顶部
词干提取语言形态学和信息检索里,词干提取是去除词缀得到词根的过程,例如working的词干为work。搜索引擎在索引页面时就会使用这种技术,所以很多人为相同的单词写出不同的版本。有很多种算法可以避免这种情况,最常见的是波特词干算法。NLTK有一个名为PorterStemmer的类,就是这个算法的实现:[*]
from nltk.stem import PorterStemmer
[*]
[*]
stemmer = PorterStemmer()
[*]
print(stemmer.stem('working'))
[*]
print(stemmer.stem('worked'))
输出结果是:[*]
work
[*]
work
还有其他的一些词干提取算法,比如 Lancaster词干算法。回到顶部
非英文词干提取除了英文之外,SnowballStemmer还支持13种语言。支持的语言:[*]
from nltk.stem import SnowballStemmer
[*]
[*]
print(SnowballStemmer.languages)
'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'hungarian', 'italian', 'norwegian', 'porter', 'portuguese', 'romanian', 'russian', 'spanish', 'swedish'你可以使用SnowballStemmer类的stem函数来提取像这样的非英文单词:[*]
from nltk.stem import SnowballStemmer
[*]
[*]
french_stemmer = SnowballStemmer('french')
[*]
[*]
print(french_stemmer.stem("French word"))
回到顶部
单词变体还原单词变体还原类似于词干,但不同的是,变体还原的结果是一个真实的单词。不同于词干,当你试图提取某些词时,它会产生类似的词:[*]
from nltk.stem import PorterStemmer
[*]
[*]
stemmer = PorterStemmer()
[*]
[*]
print(stemmer.stem('increases'))
结果:increas现在,如果用NLTK的WordNet来对同一个单词进行变体还原,才是正确的结果:[*]
from nltk.stem import WordNetLemmatizer
[*]
[*]
lemmatizer = WordNetLemmatizer()
[*]
[*]
print(lemmatizer.lemmatize('increases'))
结果:increase结果可能会是一个同义词或同一个意思的不同单词。有时候将一个单词做变体还原时,总是得到相同的词。这是因为语言的默认部分是名词。要得到动词,可以这样指定:[*]
from nltk.stem import WordNetLemmatizer
[*]
[*]
lemmatizer = WordNetLemmatizer()
[*]
[*]
print(lemmatizer.lemmatize('playing', pos="v"))
结果:play实际上,这也是一种很好的文本压缩方式,最终得到文本只有原先的50%到60%。结果还可以是动词(v)、名词(n)、形容词(a)或副词(r):[*]
from nltk.stem import WordNetLemmatizer
[*]
[*]
lemmatizer = WordNetLemmatizer()
[*]
print(lemmatizer.lemmatize('playing', pos="v"))
[*]
print(lemmatizer.lemmatize('playing', pos="n"))
[*]
print(lemmatizer.lemmatize('playing', pos="a"))
[*]
print(lemmatizer.lemmatize('playing', pos="r"))
输出:[*]
play
[*]
playing
[*]
playing
[*]
playing
回到顶部
词干和变体的区别通过下面例子来观察:[*]
from nltk.stem import WordNetLemmatizer
[*]
from nltk.stem import PorterStemmer
[*]
[*]
stemmer = PorterStemmer()
[*]
lemmatizer = WordNetLemmatizer()
[*]
print(stemmer.stem('stones'))
[*]
print(stemmer.stem('speaking'))
[*]
print(stemmer.stem('bedroom'))
[*]
print(stemmer.stem('jokes'))
[*]
print(stemmer.stem('lisa'))
[*]
print(stemmer.stem('purple'))
[*]
print('----------------------')
[*]
print(lemmatizer.lemmatize('stones'))
[*]
print(lemmatizer.lemmatize('speaking'))
[*]
print(lemmatizer.lemmatize('bedroom'))
[*]
print(lemmatizer.lemmatize('jokes'))
[*]
print(lemmatizer.lemmatize('lisa'))
[*]
print(lemmatizer.lemmatize('purple'))
输出:[*]
stone
[*]
speak
[*]
bedroom
[*]
joke
[*]
lisa
[*]
purpl
[*]
---------------------
[*]
stone
[*]
speaking
[*]
bedroom
[*]
joke
[*]
lisa
[*]
purple
词干提取不会考虑语境,这也是为什么词干提取比变体还原快且准确度低的原因。
页:
[1]