NLTK模块学习介绍

浅浅的花香味﹌ 2022-05-19 12:10 207阅读 0赞

nltk的全称是natural language toolkit，是一套基于python的自然语言处理工具集。

## 1 NLTK的安装 ##

nltk的安装十分便捷，只需要pip就可以。

pip install nltk

*  1

在nltk中集成了语料与模型等的包管理器，通过在python解释器中执行

>>> import nltk
    >>> nltk.download()

*  1
 *  2

便会弹出下面的包管理界面，在管理器中可以下载语料，预训练的模型等。  
![nltk\_download][nltk_download]

## 2 对文本进行简单的分析 ##

### 2.1 Text类介绍 ###

nltk.text.Text()类用于对文本进行初级的统计与分析，它接受一个词的列表作为参数。Text类提供了下列方法。

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Text(words)</td> 
   <td>对象构造</td> 
  </tr> 
  <tr> 
   <td>concordance(word, width=79, lines=25)</td> 
   <td>显示word出现的上下文</td> 
  </tr> 
  <tr> 
   <td>common_contexts(words)</td> 
   <td>显示words出现的相同模式</td> 
  </tr> 
  <tr> 
   <td>similar(word)</td> 
   <td>显示word的相似词</td> 
  </tr> 
  <tr> 
   <td>collocations(num=20, window_size=2)</td> 
   <td>显示最常见的二词搭配</td> 
  </tr> 
  <tr> 
   <td>count(word)</td> 
   <td>word出现的词数</td> 
  </tr> 
  <tr> 
   <td>dispersion_plot(words)</td> 
   <td>绘制words中文档中出现的位置图</td> 
  </tr> 
  <tr> 
   <td>vocab()</td> 
   <td>返回文章去重的词典</td> 
  </tr> 
 </tbody> 
</table>

nltk.text.TextCollection类是Text的集合，提供下列方法

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>nltk.text.TextCollection([text1,text2,])</td> 
   <td>对象构造</td> 
  </tr> 
  <tr> 
   <td>idf(term)</td> 
   <td>计算词term在语料库中的逆文档频率，即log总文章数文中出现term的文章数log总文章数文中出现term的文章数</td> 
  </tr> 
  <tr> 
   <td>tf(term,text)</td> 
   <td>统计term在text中的词频</td> 
  </tr> 
  <tr> 
   <td>tf_idf(term,text)</td> 
   <td>计算term在句子中的tf_idf,即tf*idf</td> 
  </tr> 
 </tbody> 
</table>

### 2.2 示例 ###

下面我们对青春爱情小说《被遗忘的时光》做下简单的分析。首先加载文本：

import ntlk
    import jieba
    
    raw=open('forgotten_times.txt').read()
    text=nltk.text.Text(jieba.lcut(raw))

*  1
 *  2
 *  3
 *  4
 *  5

对于言情小说，先看下风花雪月这样的词出现的情况

print text.concordance(u'风花雪月')

*  1

输出如下：

>>> Displaying 2 of 2 matches:
    彼时 校园 民谣 不复 大热 了 ， 但 处身 校园 ， 喜欢 吟唱 风花雪月 的 感性 青年 还是 喜欢 借此 抒怀 。 邵伊敏 平常 听 英语歌 较
    的 眼睛 看 的 是 自己 ， 迷恋 的 却 多半 只是 少女 心中 的 风花雪月 ， 而 迷恋 过后 不可避免 不是 失望 就是 幻灭 。 他 将 目光

*  1
 *  2
 *  3

再看下作者对于某些同义词的使用习惯

print text.common_contexts([u'一起',u'一同'])

*  1

输出如下：

>>> 爷爷奶奶_生活 在_时

*  1

下面看下文章常用的二词搭配

text.collocations()

*  1

输出

出入境 管理处; 沃尔沃 XC90; 慢吞吞 爬起来; 没交过 男朋友; 邵伊敏 回头一看; 戴维凡 哭笑不得; 没想到 邵伊敏; 邵伊敏 第二天; 邵伊敏 没想到

*  1

查看关心的词在文中出现的位置

text.dispersion_plot([u'校园',u'大学'])

*  1

输出如下图：  
![nltk\_disp\_plot][nltk_disp_plot]

## 3 对文档用词进行分布统计 ##

### 3.1 FreqDist类介绍 ###

这个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。其结构很简单，用一个有序词典进行实现。所以dict类型的方法在此类也是适用的。如keys()等。

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>B()</td> 
   <td>返回词典的长度</td> 
  </tr> 
  <tr> 
   <td>plot(title,cumulative=False)</td> 
   <td>绘制频率分布图，若cumu为True，则是累积频率分布图</td> 
  </tr> 
  <tr> 
   <td>tabulate()</td> 
   <td>生成频率分布的表格形式</td> 
  </tr> 
  <tr> 
   <td>most_common()</td> 
   <td>返回出现次数最频繁的词与频度</td> 
  </tr> 
  <tr> 
   <td>hapaxes()</td> 
   <td>返回只出现过一次的词</td> 
  </tr> 
 </tbody> 
</table>

### 3.2 示例 ###

对歌曲《The day you went away》的歌词进行分析。

text = open('corpus/the_day_you_went_away.txt').read()
    fdist = nltk.FreqDist(nltk.word_tokenize(text))
    fdist.plot(30，cumulative=True)

*  1
 *  2
 *  3

代码第二行调用了word\_tokenize()函数，此函数的作用是基于空格/标点等对文本进行分词，返回分词后的列表。如果要处理中文，需要三方的分词器先处理，之后才能使用nltk进行处理。运行输出分布图如下：  
![nltk\_word\_dist][nltk_word_dist]

## 4 nltk自带的语料库 ##

在nltk.corpus包下，提供了几类标注好的语料库。见下表：

<table> 
 <thead> 
  <tr> 
   <th>语料库</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>gutenberg</td> 
   <td>一个有若干万部的小说语料库，多是古典作品</td> 
  </tr> 
  <tr> 
   <td>webtext</td> 
   <td>收集的网络广告等内容</td> 
  </tr> 
  <tr> 
   <td>nps_chat</td> 
   <td>有上万条聊天消息语料库，即时聊天消息为主</td> 
  </tr> 
  <tr> 
   <td>brown</td> 
   <td>一个百万词级的英语语料库，按文体进行分类</td> 
  </tr> 
  <tr> 
   <td>reuters</td> 
   <td>路透社语料库，上万篇新闻方档，约有1百万字，分90个主题，并分为训练集和测试集两组</td> 
  </tr> 
  <tr> 
   <td>inaugural</td> 
   <td>演讲语料库，几十个文本，都是总统演说</td> 
  </tr> 
 </tbody> 
</table>

更多语料库，可以用nltk.download()在下载管理器中查看corpus。

### 4.1语料库处理 ###

<table> 
 <thead> 
  <tr> 
   <th>方法明</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>fileids()</td> 
   <td>返回语料库中文件名列表</td> 
  </tr> 
  <tr> 
   <td>fileids[categories]</td> 
   <td>返回指定类别的文件名列表</td> 
  </tr> 
  <tr> 
   <td>raw(fid=[c1,c2])</td> 
   <td>返回指定文件名的文本字符串</td> 
  </tr> 
  <tr> 
   <td>raw(catergories=[])</td> 
   <td>返回指定分类的原始文本</td> 
  </tr> 
  <tr> 
   <td>sents(fid=[c1,c2])</td> 
   <td>返回指定文件名的语句列表</td> 
  </tr> 
  <tr> 
   <td>sents(catergories=[c1,c2])</td> 
   <td>按分类返回语句列表</td> 
  </tr> 
  <tr> 
   <td>words(filename)</td> 
   <td>返回指定文件名的单词列表</td> 
  </tr> 
  <tr> 
   <td>words(catogories=[])</td> 
   <td>返回指定分类的单词列表</td> 
  </tr> 
 </tbody> 
</table>

## 5 文本预处理 ##

NLP在获取语料之后，通常要进行文本预处理。英文的预处理包括：分词，去停词，提取词干等步骤。中文的分词相对于英文更复杂一些，也需要去停词。但没有提取词干的需要。  
对于英文去停词的支持，在corpus下包含了一个stopword的停词库。  
对于提取词词干，提供了Porter和Lancaster两个stemer。另个还提供了一个WordNetLemmatizer做词形归并。Stem通常基于语法规则使用正则表达式来实现，处理的范围广，但过于死板。而Lemmatizer实现采用基于词典的方式来解决，因而更慢一些，处理的范围和词典的大小有关。

porter = nltk.PorterStemmer()
    porter.stem('lying') #'lie'
    
    lema=nltk.WordNetLemmatizer()
    lema.lemmatize('women')   #'woman'

[nltk_download]: /images/20220519/4cc51f67d56b48b993b6821e963812f7.png
[nltk_disp_plot]: /images/20220519/2730a97494fb41f1a41f6991c814e422.png
[nltk_word_dist]: /images/20220519/92bc0f780a034119b337e32646f03efe.png