您好,登錄后才能下訂單哦!
本文實(shí)例講述了Python自然語言處理 NLTK 庫用法。分享給大家供大家參考,具體如下:
在這篇文章中,我們將基于 Python 討論自然語言處理(NLP)。本教程將會使用 Python NLTK 庫。NLTK 是一個當(dāng)下流行的,用于自然語言處理的 Python 庫。
那么 NLP 到底是什么?學(xué)習(xí) NLP 能帶來什么好處?
簡單的說,自然語言處理( NLP )就是開發(fā)能夠理解人類語言的應(yīng)用程序和服務(wù)。
我們生活中經(jīng)常會接觸的自然語言處理的應(yīng)用,包括語音識別,語音翻譯,理解句意,理解特定詞語的同義詞,以及寫出語法正確,句意通暢的句子和段落。
NLP的作用
正如大家所知,每天博客,社交網(wǎng)站和網(wǎng)頁會產(chǎn)生數(shù)億字節(jié)的海量數(shù)據(jù)。
有很多公司熱衷收集所有這些數(shù)據(jù),以便更好地了解他們的用戶和用戶對產(chǎn)品的熱情,并對他們的產(chǎn)品或者服務(wù)進(jìn)行合適的調(diào)整。
這些海量數(shù)據(jù)可以揭示很多現(xiàn)象,打個比方說,巴西人對產(chǎn)品 A 感到滿意,而美國人卻對產(chǎn)品 B 更感興趣。通過NLP,這類的信息可以即時獲得(即實(shí)時結(jié)果)。例如,搜索引擎正是一種 NLP,可以在正確的時間給合適的人提供適當(dāng)?shù)慕Y(jié)果。
但是搜索引擎并不是自然語言處理(NLP)的唯一應(yīng)用。還有更好更加精彩的應(yīng)用。
NLP的應(yīng)用
以下都是自然語言處理(NLP)的一些成功應(yīng)用:
NLP庫
現(xiàn)在有許多開源的自然語言處理(NLP)庫。比如:
自然語言工具包(NLTK)是最受歡迎的自然語言處理(NLP)庫。它是用 Python 語言編寫的,背后有強(qiáng)大的社區(qū)支持。
NLTK 也很容易入門,實(shí)際上,它將是你用到的最簡單的自然語言處理(NLP)庫。
在這個 NLP 教程中,我們將使用 Python NLTK 庫。在開始安裝 NLTK 之前,我假設(shè)你知道一些 Python入門知識。
安裝 NLTK
如果你使用的是 Windows , Linux 或 Mac,你可以 使用PIP 安裝NLTK: # pip install nltk
。
在本文撰寫之時,你可以在 Python 2.7 , 3.4 和 3.5 上都可以使用NLTK?;蛘呖梢酝ㄟ^獲取tar 進(jìn)行源碼安裝。
要檢查 NLTK 是否正確地安裝完成,可以打開你的Python終端并輸入以下內(nèi)容:Import nltk。如果一切順利,這意味著你已經(jīng)成功安裝了 NLTK 庫。
一旦你安裝了 NLTK,你可以運(yùn)行下面的代碼來安裝 NLTK 包:
import nltk nltk.download()
這將打開 NLTK 下載器來選擇需要安裝的軟件包。
你可以選擇安裝所有的軟件包,因?yàn)樗鼈兊娜萘坎淮螅詻]有什么問題?,F(xiàn)在,我們開始學(xué)習(xí)吧!
使用原生 Python 來對文本進(jìn)行分詞
首先,我們將抓取一些網(wǎng)頁內(nèi)容。然后來分析網(wǎng)頁文本,看看爬下來的網(wǎng)頁的主題是關(guān)于什么。我們將使用 urllib模塊來抓取網(wǎng)頁:
import urllib.request response = urllib.request.urlopen('http://php.net/') html = response.read() print (html)
從打印輸出中可以看到,結(jié)果中包含許多需要清理的HTML標(biāo)記。我們可以用這個 BeautifulSoup 庫來對抓取的文本進(jìn)行處理:
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(strip=True) print (text)
現(xiàn)在,我們能將抓取的網(wǎng)頁轉(zhuǎn)換為干凈的文本。這很棒,不是么?
最后,讓我們通過以下方法將文本分詞:
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 = [t for t in text.split()] print (tokens)
詞頻統(tǒng)計
現(xiàn)在的文本相比之前的 html 文本好多了。我們再使用 Python NLTK 來計算每個詞的出現(xiàn)頻率。NLTK 中的FreqDist( ) 函數(shù)可以實(shí)現(xiàn)詞頻統(tǒng)計的功能 :
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(strip=True) tokens = [t for t in text.split()] freq = nltk.FreqDist(tokens) for key,val in freq.items(): print (str(key) + ':' + str(val))
如果你查看輸出結(jié)果,會發(fā)現(xiàn)最常用的詞語是PHP。
你可以用繪圖函數(shù)為這些詞頻繪制一個圖形: freq.plot(20, cumulative=False)
。
從圖中,你可以肯定這篇文章正在談?wù)?PHP。這很棒!有一些詞,如"the," "of," "a," "an," 等等。這些詞是停止詞。一般來說,停止詞語應(yīng)該被刪除,以防止它們影響我們的結(jié)果。
使用 NLTK 刪除停止詞
NLTK 具有大多數(shù)語言的停止詞表。要獲得英文停止詞,你可以使用以下代碼:
from nltk.corpus import stopwords stopwords.words('english')
現(xiàn)在,讓我們修改我們的代碼,并在繪制圖形之前清理標(biāo)記。首先,我們復(fù)制一個列表。然后,我們通過對列表中的標(biāo)記進(jìn)行遍歷并刪除其中的停止詞:
clean_tokens = tokens[:] sr = stopwords.words('english') for token in tokens: if token in stopwords.words('english'): clean_tokens.remove(token)
你可以在這里查看Python List 函數(shù), 了解如何處理列表。
最終的代碼應(yīng)該是這樣的:
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 = [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))
如果你現(xiàn)在檢查圖表,會感覺比之前那張圖標(biāo)更加清晰,因?yàn)闆]有了停止詞的干擾。
freq.plot(20,cumulative=False)
使用 NLTK 對文本分詞
我們剛剛了解了如何使用 split( ) 函數(shù)將文本分割為標(biāo)記 。現(xiàn)在,我們將看到如何使用 NLTK 對文本進(jìn)行標(biāo)記化。對文本進(jìn)行標(biāo)記化是很重要的,因?yàn)槲谋緹o法在沒有進(jìn)行標(biāo)記化的情況下被處理。標(biāo)記化意味著將較大的部分分隔成更小的單元。
你可以將段落分割為句子,并根據(jù)你的需要將句子分割為單詞。NLTK 具有內(nèi)置的句子標(biāo)記器和詞語標(biāo)記器。
假設(shè)我們有如下的示例文本:
Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.
為了將這個文本標(biāo)記化為句子,我們可以使用句子標(biāo)記器:
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))
輸出如下:
['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']
你可能會說,這是一件容易的事情。我不需要使用 NLTK 標(biāo)記器,并且我可以使用正則表達(dá)式來分割句子,因?yàn)槊總€句子前后都有標(biāo)點(diǎn)符號或者空格。
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. 是一個詞,雖然帶有一個符號。讓我們來試試使用 NLTK 進(jìn)行分詞:
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))
輸出如下所示:
['Hello Mr. Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']
Great!結(jié)果棒極了。然后我們嘗試使用詞語標(biāo)記器來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))
輸出如下:
['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. 是一個詞,也確實(shí)被 NLTK 當(dāng)做一個詞。NLTK使用 nltk.tokenize.punkt module 中的 PunktSentenceTokenizer 進(jìn)行文本分詞。這個標(biāo)記器經(jīng)過了良好的訓(xùn)練,可以對多種語言進(jìn)行分詞 。
標(biāo)記非英語語言文本
為了標(biāo)記其他語言,可以像這樣指定語言:
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"))
結(jié)果將是這樣的:
['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]
NLTk 對其他非英語語言的支持也非常好!
從 WordNet 獲取同義詞
如果你還記得我們使用 nltk.download( ) 安裝 NLTK 的擴(kuò)展包時。其中一個擴(kuò)展包名為 WordNet。WordNet 是為自然語言處理構(gòu)建的數(shù)據(jù)庫。它包括部分詞語的一個同義詞組和一個簡短的定義。
通過 NLTK 你可以得到給定詞的定義和例句:
from nltk.corpus import wordnet syn = wordnet.synsets("pain") print(syn[0].definition()) print(syn[0].examples())
結(jié)果是:
a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']
WordNet 包含了很多詞的定義:
from nltk.corpus import wordnet syn = wordnet.synsets("NLP") print(syn[0].definition()) syn = wordnet.synsets("Python") print(syn[0].definition())
結(jié)果是:
the branch of information science that deals with natural language information
large Old World boas
您可以使用 WordNet 來獲得同義詞:
from nltk.corpus import wordnet synonyms = [] for syn in wordnet.synsets('Computer'): for lemma in syn.lemmas(): synonyms.append(lemma.name()) print(synonyms)
輸出是:
['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']
Cool!
從 WordNet 獲取反義詞
你可以用同樣的方法得到單詞的反義詞。你唯一要做的是在將 lemmas 的結(jié)果加入數(shù)組之前,檢查結(jié)果是否確實(shí)是一個正確的反義詞。
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)
輸出是:
['large', 'big', 'big']
這就是 NLTK 在自然語言處理中的力量。
NLTK詞干提取
單詞詞干提取就是從單詞中去除詞綴并返回詞根。(比方說 working 的詞干是 work。)搜索引擎在索引頁面的時候使用這種技術(shù),所以很多人通過同一個單詞的不同形式進(jìn)行搜索,返回的都是相同的,有關(guān)這個詞干的頁面。
詞干提取的算法有很多,但最常用的算法是 Porter 提取算法。NLTK 有一個 PorterStemmer 類,使用的就是 Porter 提取算法。
from nltk.stem import PorterStemmer stemmer = PorterStemmer() print(stemmer.stem('working'))
結(jié)果是:
work
結(jié)果很清楚。
還有其他一些提取算法,如 Lancaster 提取算法。這個算法的輸出同 Porter 算法的結(jié)果在幾個單詞上不同。你可以嘗試他們兩個算法來查看有哪些不同結(jié)果。
提取非英語單詞詞干
SnowballStemmer 類,除了英語外,還可以適用于其他 13 種語言。支持的語言如下:
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 類的 stem()函數(shù)來提取非英語單詞,如下所示:
from nltk.stem import SnowballStemmer french_stemmer = SnowballStemmer('french') print(french_stemmer.stem("French word"))
來自法國的朋友歡迎在評論區(qū) poll 出你們測試的結(jié)果!
使用 WordNet 引入詞匯
詞匯的詞匯化與提取詞干類似,但不同之處在于詞匯化的結(jié)果是一個真正的詞匯。與詞干提取不同,當(dāng)你試圖提取一些詞干時,有可能會導(dǎo)致這樣的情況:
from nltk.stem import PorterStemmer stemmer = PorterStemmer() print(stemmer.stem('increases'))
結(jié)果是:
increas
現(xiàn)在,如果我們試圖用NLTK WordNet來還原同一個詞,結(jié)果會是正確的:
from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() print(lemmatizer.lemmatize('increases'))
結(jié)果是:
increase
結(jié)果可能是同義詞或具有相同含義的不同詞語。有時,如果你試圖還原一個詞,比如 playing,還原的結(jié)果還是 playing。這是因?yàn)槟J(rèn)還原的結(jié)果是名詞,如果你想得到動詞,可以通過以下的方式指定。
from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() print(lemmatizer.lemmatize('playing', pos="v"))
結(jié)果是:
play
實(shí)際上,這是一個非常好的文本壓縮水平。最終壓縮到原文本的 50% 到 60% 左右。結(jié)果可能是動詞,名詞,形容詞或副詞:
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"))
結(jié)果是:
play
playing
playing
playing
詞干化和詞化差異
好吧,讓我們分別嘗試一些單詞的詞干提取和詞形還原:
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'))
結(jié)果是:
stone
speak
bedroom
joke
lisa
purpl
----------------------
stone
speaking
bedroom
joke
lisa
purple
詞干提取的方法可以在不知道語境的情況下對詞匯使用,這就是為什么它相較詞形還原方法速度更快但準(zhǔn)確率更低。
在我看來,詞形還原比提取詞干的方法更好。詞形還原,如果實(shí)在無法返回這個詞的變形,也會返回另一個真正的單詞;這個單詞可能是一個同義詞,但不管怎樣這是一個真正的單詞。當(dāng)有時候,你不關(guān)心準(zhǔn)確度,需要的只是速度。在這種情況下,詞干提取的方法更好。
我們在本 NLP 教程中討論的所有步驟都涉及到文本預(yù)處理。在以后的文章中,我們將討論使用Python NLTK進(jìn)行文本分析。
更多關(guān)于Python相關(guān)內(nèi)容感興趣的讀者可查看本站專題:《Python數(shù)學(xué)運(yùn)算技巧總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》
希望本文所述對大家Python程序設(shè)計有所幫助。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。