泰州网站建设公司哪个好,营销型网站建设设定包括哪些方面,注册网站可以注销嘛,成都住建局官网平台查询本文实例讲述了Python自然语言处理 NLTK 库用法。分享给大家供大家参考#xff0c;具体如下#xff1a;
在这篇文章中#xff0c;我们将基于 Python 讨论自然语言处理#xff08;NLP#xff09;。本教程将会使用 Python NLTK 库。NLTK 是一个当下流行的#xff0c;用于自…本文实例讲述了Python自然语言处理 NLTK 库用法。分享给大家供大家参考具体如下
在这篇文章中我们将基于 Python 讨论自然语言处理NLP。本教程将会使用 Python NLTK 库。NLTK 是一个当下流行的用于自然语言处理的 Python 库。
那么 NLP 到底是什么学习 NLP 能带来什么好处
简单的说自然语言处理 NLP 就是开发能够理解人类语言的应用程序和服务。
我们生活中经常会接触的自然语言处理的应用包括语音识别语音翻译理解句意理解特定词语的同义词以及写出语法正确句意通畅的句子和段落。
NLP的作用
正如大家所知每天博客社交网站和网页会产生数亿字节的海量数据。
有很多公司热衷收集所有这些数据以便更好地了解他们的用户和用户对产品的热情并对他们的产品或者服务进行合适的调整。
这些海量数据可以揭示很多现象打个比方说巴西人对产品 A 感到满意而美国人却对产品 B 更感兴趣。通过NLP这类的信息可以即时获得即实时结果。例如搜索引擎正是一种 NLP可以在正确的时间给合适的人提供适当的结果。
但是搜索引擎并不是自然语言处理NLP的唯一应用。还有更好更加精彩的应用。
NLP的应用
以下都是自然语言处理NLP的一些成功应用
搜索引擎比如谷歌雅虎等等。谷歌等搜索引擎会通过NLP了解到你是一个科技发烧友所以它会返回科技相关的结果。
社交网站信息流比如 Facebook 的信息流。新闻馈送算法通过自然语言处理了解到你的兴趣并向你展示相关的广告以及消息而不是一些无关的信息。
语音助手诸如苹果 Siri。
垃圾邮件程序比如 Google 的垃圾邮件过滤程序 这不仅仅是通常会用到的普通的垃圾邮件过滤现在垃圾邮件过滤器会对电子邮件的内容进行分析看看该邮件是否是垃圾邮件。
NLP库
现在有许多开源的自然语言处理NLP库。比如
Natural language toolkit (NLTK)
Apache OpenNLP
Stanford NLP suite
Gate NLP library
自然语言工具包NLTK是最受欢迎的自然语言处理NLP库。它是用 Python 语言编写的背后有强大的社区支持。
NLTK 也很容易入门实际上它将是你用到的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。在开始安装 NLTK 之前我假设你知道一些 Python入门知识。
安装 NLTK
如果你使用的是 Windows , Linux 或 Mac你可以 使用PIP安装NLTK # pip install nltk。
在本文撰写之时你可以在 Python 2.7 , 3.4 和 3.5 上都可以使用NLTK。或者可以通过获取tar 进行源码安装。
要检查 NLTK 是否正确地安装完成可以打开你的Python终端并输入以下内容Import nltk。如果一切顺利这意味着你已经成功安装了 NLTK 库。
一旦你安装了 NLTK你可以运行下面的代码来安装 NLTK 包
import nltk
nltk.download()
这将打开 NLTK 下载器来选择需要安装的软件包。
你可以选择安装所有的软件包因为它们的容量不大所以没有什么问题。现在我们开始学习吧
使用原生 Python 来对文本进行分词
首先我们将抓取一些网页内容。然后来分析网页文本看看爬下来的网页的主题是关于什么。我们将使用 urllib模块来抓取网页
import urllib.request
response urllib.request.urlopen(http://php.net/)
html response.read()
print (html)
从打印输出中可以看到结果中包含许多需要清理的HTML标记。我们可以用这个 BeautifulSoup 库来对抓取的文本进行处理
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(stripTrue)
print (text)
现在我们能将抓取的网页转换为干净的文本。这很棒不是么
最后让我们通过以下方法将文本分词
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(stripTrue)
tokens [t for t in text.split()]
print (tokens)
词频统计
现在的文本相比之前的 html 文本好多了。我们再使用 Python NLTK 来计算每个词的出现频率。NLTK 中的FreqDist( ) 函数可以实现词频统计的功能
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(stripTrue)
tokens [t for t in text.split()]
freq nltk.FreqDist(tokens)
for key,val in freq.items():
print (str(key) : str(val))
如果你查看输出结果会发现最常用的词语是PHP。
你可以用绘图函数为这些词频绘制一个图形 freq.plot(20, cumulativeFalse)。
从图中你可以肯定这篇文章正在谈论 PHP。这很棒有一些词如the, of, a, an, 等等。这些词是停止词。一般来说停止词语应该被删除以防止它们影响我们的结果。
使用 NLTK 删除停止词
NLTK 具有大多数语言的停止词表。要获得英文停止词你可以使用以下代码
from nltk.corpus import stopwords
stopwords.words(english)
现在让我们修改我们的代码并在绘制图形之前清理标记。首先我们复制一个列表。然后我们通过对列表中的标记进行遍历并删除其中的停止词
clean_tokens tokens[:]
sr stopwords.words(english)
for token in tokens:
if token in stopwords.words(english):
clean_tokens.remove(token)
你可以在这里查看Python List 函数 了解如何处理列表。
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(stripTrue)
tokens [t for t in text.split()]
clean_tokens tokens[:]
sr stopwords.words(english)
for token in tokens:
if token in stopwords.words(english):
clean_tokens.remove(token)
freq nltk.FreqDist(clean_tokens)
for key,val in freq.items():
print (str(key) : str(val))
如果你现在检查图表会感觉比之前那张图标更加清晰因为没有了停止词的干扰。
freq.plot(20,cumulativeFalse)
使用 NLTK 对文本分词
我们刚刚了解了如何使用 split( ) 函数将文本分割为标记 。现在我们将看到如何使用 NLTK 对文本进行标记化。对文本进行标记化是很重要的因为文本无法在没有进行标记化的情况下被处理。标记化意味着将较大的部分分隔成更小的单元。
你可以将段落分割为句子并根据你的需要将句子分割为单词。NLTK 具有内置的句子标记器和词语标记器。
假设我们有如下的示例文本
Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.
为了将这个文本标记化为句子我们可以使用句子标记器
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.]
你可能会说这是一件容易的事情。我不需要使用 NLTK 标记器并且我可以使用正则表达式来分割句子因为每个句子前后都有标点符号或者空格。
那么看看下面的文字
Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.
呃Mr. 是一个词,虽然带有一个符号。让我们来试试使用 NLTK 进行分词
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))
输出如下所示
[Hello Mr. Adam, how are you?, I hope everything is going well., Today is a good day, see you dude.]
Great结果棒极了。然后我们尝试使用词语标记器来看看它是如何工作的
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, .]
正如所料Mr. 是一个词也确实被 NLTK 当做一个词。NLTK使用 nltk.tokenize.punkt module 中的 PunktSentenceTokenizer 进行文本分词。这个标记器经过了良好的训练可以对多种语言进行分词 。
标记非英语语言文本
为了标记其他语言可以像这样指定语言
from nltk.tokenize import sent_tokenize
mytext Bonjour M. Adam, comment allez-vous? Jespère que tout va bien. Aujourdhui est un bon jour.
print(sent_tokenize(mytext,french))
结果将是这样的
[Bonjour M. Adam, comment allez-vous?, Jespère que tout va bien., Aujourdhui est un bon jour.]
NLTk 对其他非英语语言的支持也非常好
从 WordNet 获取同义词
如果你还记得我们使用 nltk.download( ) 安装 NLTK 的扩展包时。其中一个扩展包名为 WordNet。WordNet 是为自然语言处理构建的数据库。它包括部分词语的一个同义词组和一个简短的定义。
通过 NLTK 你可以得到给定词的定义和例句
from nltk.corpus import wordnet
syn wordnet.synsets(pain)
print(syn[0].definition())
print(syn[0].examples())
结果是
a symptom of some physical hurt or disorder
[the patient developed severe pain and distension]
WordNet 包含了很多词的定义
from nltk.corpus import wordnet
syn wordnet.synsets(NLP)
print(syn[0].definition())
syn wordnet.synsets(Python)
print(syn[0].definition())
结果是
the branch of information science that deals with natural language information
large Old World boas
您可以使用 WordNet 来获得同义词
from nltk.corpus import wordnet
synonyms []
for syn in wordnet.synsets(Computer):
for lemma in syn.lemmas():
synonyms.append(lemma.name())
print(synonyms)
输出是
[computer, computing_machine, computing_device, data_processor, electronic_computer, information_processing_system, calculator, reckoner, figurer, estimator, computer]
Cool
从 WordNet 获取反义词
你可以用同样的方法得到单词的反义词。你唯一要做的是在将 lemmas 的结果加入数组之前检查结果是否确实是一个正确的反义词。
from nltk.corpus import wordnet
antonyms []
for syn in wordnet.synsets(small):
for l in syn.lemmas():
if l.antonyms():
antonyms.append(l.antonyms()[0].name())
print(antonyms)
输出是
[large, big, big]
这就是 NLTK 在自然语言处理中的力量。
NLTK词干提取
单词词干提取就是从单词中去除词缀并返回词根。比方说 working 的词干是 work。搜索引擎在索引页面的时候使用这种技术所以很多人通过同一个单词的不同形式进行搜索返回的都是相同的有关这个词干的页面。
词干提取的算法有很多但最常用的算法是 Porter 提取算法。NLTK 有一个 PorterStemmer 类使用的就是 Porter 提取算法。
from nltk.stem import PorterStemmer
stemmer PorterStemmer()
print(stemmer.stem(working))
结果是
work
结果很清楚。
还有其他一些提取算法如 Lancaster 提取算法。这个算法的输出同 Porter 算法的结果在几个单词上不同。你可以尝试他们两个算法来查看有哪些不同结果。
提取非英语单词词干
SnowballStemmer 类除了英语外还可以适用于其他 13 种语言。支持的语言如下
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()函数来提取非英语单词如下所示
from nltk.stem import SnowballStemmer
french_stemmer SnowballStemmer(french)
print(french_stemmer.stem(French word))
来自法国的朋友欢迎在评论区 poll 出你们测试的结果
使用 WordNet 引入词汇
词汇的词汇化与提取词干类似但不同之处在于词汇化的结果是一个真正的词汇。与词干提取不同当你试图提取一些词干时有可能会导致这样的情况
from nltk.stem import PorterStemmer
stemmer PorterStemmer()
print(stemmer.stem(increases))
结果是
increas
现在如果我们试图用NLTK WordNet来还原同一个词结果会是正确的
from nltk.stem import WordNetLemmatizer
lemmatizer WordNetLemmatizer()
print(lemmatizer.lemmatize(increases))
结果是
increase
结果可能是同义词或具有相同含义的不同词语。有时如果你试图还原一个词比如 playing,还原的结果还是 playing。这是因为默认还原的结果是名词如果你想得到动词可以通过以下的方式指定。
from nltk.stem import WordNetLemmatizer
lemmatizer WordNetLemmatizer()
print(lemmatizer.lemmatize(playing, posv))
结果是
play
实际上这是一个非常好的文本压缩水平。最终压缩到原文本的 50 到 60 左右。结果可能是动词名词形容词或副词
from nltk.stem import WordNetLemmatizer
lemmatizer WordNetLemmatizer()
print(lemmatizer.lemmatize(playing, posv))
print(lemmatizer.lemmatize(playing, posn))
print(lemmatizer.lemmatize(playing, posa))
print(lemmatizer.lemmatize(playing, posr))
结果是
play
playing
playing
playing
词干化和词化差异
好吧让我们分别尝试一些单词的词干提取和词形还原
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))
结果是
stone
speak
bedroom
joke
lisa
purpl
----------------------
stone
speaking
bedroom
joke
lisa
purple
词干提取的方法可以在不知道语境的情况下对词汇使用这就是为什么它相较词形还原方法速度更快但准确率更低。
在我看来词形还原比提取词干的方法更好。词形还原如果实在无法返回这个词的变形也会返回另一个真正的单词;这个单词可能是一个同义词但不管怎样这是一个真正的单词。当有时候你不关心准确度需要的只是速度。在这种情况下词干提取的方法更好。
我们在本 NLP 教程中讨论的所有步骤都涉及到文本预处理。在以后的文章中我们将讨论使用Python NLTK进行文本分析。
希望本文所述对大家Python程序设计有所帮助。
