[TOC]
NLTK模块使用详解
NLTK(natural language toolkit)是一套基于python的自然语言处理工具集。
一、NLTK的安装+简介
(1)、NLTK安装
- win+r打开并输入cmd回车打开终端
- 在终端中输入以下代码进行安装
pip3 install nltk
(2)、NLTK模块功能
(3)、NLTK中的语料库
在nltk.corpus包中,提供了几种标注好的语料库可以直接加载使用。如下:
(4)、加载语料库
这里以brown语料库进行讲解,其他语料库的使用方式大致相同
- 查看语料库的加载路径。当我们加载时,我们的系统会帮我们把brown语料库下载到data的指定路径
from nltk.corpus import brown
import nltk
print(nltk.data.path) # 查看语料库存储路径
"""
E:\Anaconda\envs\NLP_py3.11\python.exe D:\PYTHON_PROJECT\NLP\1.py
['C:\\Users\\34435/nltk_data', 'E:\\Anaconda\\envs\\NLP_py3.11\\nltk_data', 'E:\\Anaconda\\envs\\NLP_py3.11\\share\\nltk_data', 'E:\\Anaconda\\envs\\NLP_py3.11\\lib\\nltk_data', 'C:\\Users\\34435\\AppData\\Roaming\\nltk_data', 'C:\\nltk_data', 'D:\\nltk_data', 'E:\\nltk_data']
进程已结束,退出代码为 0
"""
指定数据加载的目录。我门也可以在加载时指定数据加载的目录
- 方法一:使用
nltk.data.path
,在下载数据前,我们可以设置NLTK的下载目录
from nltk.corpus import brown import nltk nltk.data.path.append('D:\\PYTHON_PROJECT\\NLP\\data') nltk.download('brown') """ E:\Anaconda\envs\NLP_py3.11\python.exe D:\PYTHON_PROJECT\NLP\1.py [nltk_data] Downloading package brown to [nltk_data] D:\PYTHON_PROJECT\NLP\data\nltk_data... [nltk_data] Unzipping corpora\brown.zip. 进程已结束,退出代码为 0 """
- 方法二:使用NLTK Downloader,如果希望在下载时选择目录,可以使用 NLTK 的下载器手动指定。运行以下命令:
import nltk nltk.download() """ E:\Anaconda\envs\NLP_py3.11\python.exe D:\PYTHON_PROJECT\NLP\1.py showing info https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/index.xml """
- 方法一:使用
这将打开上图所示的图形界面的下载器,您可以在其中选择下载目录。在下载器的菜单中,选择 "File" -> "Change NLTK Data Directory" 来更改数据目录,然后下载所需的资源。
方法三:直接在环境变量中进行设置。通过设置环境变量来指定默认的 NLTK 数据目录,具体操作视操作系统而定
windows系统如下操作:在环境变量中添加NLTK_DATA,并将其值设置为指定的下载路径
macos和linux系统:在终端中运行:
export NLTK_DATA='/your/desired/path/nltk_data'
方法四:直接传递参数下载。可以直接在调用
nltk.download()
时传递参数来指定下载路径(需要 Python 3.8 及以上版本):import nltk nltk.download('brown', download_dir='D:\\PYTHON_PROJECT\\NLP\\data') """ E:\Anaconda\envs\NLP_py3.11\python.exe D:\PYTHON_PROJECT\NLP\1.py [nltk_data] Downloading package brown to D:\PYTHON_PROJECT\NLP\data... [nltk_data] Unzipping corpora\brown.zip. 进程已结束,退出代码为 0 """
(5)、基础语法
from nltk.corpus import brown
import nltk
print(brown.categories()) # 查看brown语料库的类别
print(len(brown.sents())) # 查看brown语料库的句子数量
print(len(brown.words())) # 查看brown语料库的词数量
二、NLTK词频统计(Frequency)
NLTK 中的FreqDist( ) 类主要记录了每个词出现的次数,根据统计数据生成表格或绘图。其结构简单,用一个有序词典进行实现。
方法 | 作用 |
---|---|
B() | 返回词典的长度 |
plot(title,cumulative=False) | 绘制频率分布图,若cumu为True,则是累积频率分布图 |
tabulate() | 生成频率分布的表格形式 |
most_common() | 返回出现次数最频繁的词与频度 |
hapaxes() | 返回只出现过一次的词 |
代码示例:
from nltk.corpus import brown
import nltk
tokens=[ 'my','dog','has','flea','problems','help','please', 'maybe','not','take','him','to','dog','park','stupid',
'my','dalmation','is','so','cute','I','love','him' ]
freq = nltk.FreqDist(tokens)
for key,val in freq.items():
print (str(key) + ':' + str(val))
standard_freq=freq.most_common(5)
freq.plot(20, cumulative=False)
"""
E:\Anaconda\envs\NLP_py3.11\python.exe D:\PYTHON_PROJECT\NLP\1.py
my:2
dog:2
has:1
flea:1
problems:1
help:1
please:1
maybe:1
not:1
take:1
him:2
to:1
park:1
stupid:1
dalmation:1
is:1
so:1
cute:1
I:1
love:1
进程已结束,退出代码为 0
"""
三、NLTK去除停用词(stopwords)
我们可以使用remove方法去除掉停用的词;示例代码:
from nltk.corpus import brown, stopwords
import nltk
tokens=[ 'my','dog','has','flea','problems','help','please',
'maybe','not','take','him','to','dog','park','stupid',
'my','dalmation','is','so','cute','I','love','him' ]
stwords=stopwords.words('english')
tokens.remove(stwords)
print(tokens)
四、NLTK分词和分句(tokenize)
(1)、nltk分句
使用sent_tokensize()方法可以很简单进行分句。示例代码:
from nltk import sent_tokenize
from nltk.corpus import brown, stopwords
import nltk
mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext))
"""
['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']
"""
(2)、nltk分词
使用word_tokenize()方法可以实现分词效果。示例代码:
from nltk import sent_tokenize, word_tokenize
from nltk.corpus import brown, stopwords
import nltk
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))
"""
['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.']
"""
(3)、nltk标记非英语语言文本
使用sent_tokenize()方法标记非英文语言文本。示例代码:
from nltk import sent_tokenize, word_tokenize
from nltk.corpus import brown, stopwords
import nltk
mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
print(sent_tokenize(mytext,"french"))
"""
['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]
"""
五、NLTK词干提取(Stemming)
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。
(1) PorterStemmer方法
from nltk.stem import PorterStemmer
porter_stemmer = PorterStemmer()
print(porter_stemmer.stem('working'))
(2)LancasterStemmer方法
from nltk.stem import LancasterStemmer
lancaster_stemmer = LancasterStemmer()
print(lancaster_stemmer.stem('working'))
(3)SnowballStemmer方法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')
使用 SnowballStemmer 类的 stem() 函数来提取非英语单词
from nltk.stem import SnowballStemmer
french_stemmer = SnowballStemmer('french')
print(french_stemmer.stem("French word"))
六. NLTK词形还原(Lemmatization)
(1)词形还原与词干提取类似, 但不同之处在于词干提取经常可能创造出不存在的词汇,词形还原的结果是一个真正的词汇。
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
print(lemmatizer.lemmatize('increases'))
(2) 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', pos="v"))
(3)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', pos="v"))
print(lemmatizer.lemmatize('playing', pos="n"))
print(lemmatizer.lemmatize('playing', pos="a"))
print(lemmatizer.lemmatize('playing', pos="r"))
七、NLTK词性标注(POS Tag)
(1)词性标注是把一个句子中的单词标注为名词,形容词,动词等。
text=nltk.word_tokenize('what does the fox say')
print(nltk.pos_tag(text))
['what', 'does', 'the', 'fox', 'say']
输出是元组列表,元组中的第一个元素是单词,第二个元素是词性标签
[('what', 'WDT'), ('does', 'VBZ'), ('the', 'DT'), ('fox', 'NNS'), ('say', 'VBP')]
(2)简化的词性标记集列表(Part of Speech)
标记(Tag) | 含义(Meaning) | 例子(Examples) |
---|---|---|
ADJ | 含义(Meaning) | new,good,high,special,big |
ADV | 形容词(adjective) | really,,already,still,early,now |
CNJ | 副词(adverb) | and,or,but,if,while |
DET | 连词(conjunction) | the,a,some,most,every |
EX | 限定词(determiner) | there,there's |
FW | 存在量词(existential) | dolce,ersatz,esprit,quo,maitre |
MOD | 外来词(foreign word) | will,can,would,may,must |
N | 情态动词(modal verb) | year,home,costs,time |
NP | 名词(noun) | Alison,Africa,April,Washington |
NUM | 专有名词(proper noun) | twenty-four,fourth,1991,14:24 |
PRO | 数词(number) | he,their,her,its,my,I,us |
P | 代词(pronoun) | on,of,at,with,by,into,under |
TO | 介词(preposition) | to |
UH | 词 to(the word to) | ah,bang,ha,whee,hmpf,oops |
V | 感叹词(interjection) | is,has,get,do,make,see,run |
VD | 动词(verb) | said,took,told,made,asked |
VG | 过去式(past tense) | making,going,playing,working |
VN | 现在分词(present participle) | given,taken,begun,sung |
WH | wh限定词(wh determiner) | who,which,when,what,where |
九、NLTK中的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。
(1)通过 wordnet可以得到给定词的定义和例句
from nltk.corpus import wordnet
syn = wordnet.synsets("pain") #获取“pain”的同义词集
print(syn[0].definition())
a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']
(2)使用 wordnet来获得同义词
from nltk.corpus import wordnet
for syn in wordnet.synsets('Computer'):
for lemma in syn.lemmas():
synonyms.append(lemma.name())
['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']
(3)使用wordnet来获取反义词
from nltk.corpus import wordnet
for syn in wordnet.synsets("small"):
for l in syn.lemmas():
if l.antonyms(): #判断是否是正确的反义词
antonyms.append(l.antonyms()[0].name())