第二章:获得文本语料和词汇资源
2.1 获取文本语料库
古滕堡语料库
(1)首先加载nltk包。
(2)使用nltk.corpus.gutenberg.fileids方法能够获取古滕堡语料库中所有的文本标识符。
(3)使用nltk.corpus.gutenberg.words方法能够获取某个文本的所有单词的列表。
(4)若要使用第一章第一节的方法,必须先将数据转换成text对象,使用nltk.Text函数。
(5)为了方便,可以先导入gutenberg对象,再使用与其相关的方法。
(6)常见文本统计量:平均词长、平均句子长度、词汇多样性(每个词出现的平均次数)。
(7)使用raw方法能够获取文本中出现的字符总个数,包括词之间的空格。
(8)sents方法能够获取文本中所有的句子,其中每一个句子是一个词链表。
网络和聊天文本
(1)Python的nltk语料库中也包含了一些不正式的语言,如:①网络文本小集合webtext库;②即时消息聊天会话语料库nps_chat。
布朗语料库
(1)布朗语料库是第一个百万词级的英语电子语料库。
(2)我们可以使用words和sents方法将语料库作为词链表或者句子链表来访问。在使用words和sents方法的时候可以使用categories参数指定特定的类别或文件。
(3)categories方法用于查看布朗语料库中的文体类别。
(4)布朗语料库用于研究文体之间系统性差异,也叫做文体学的研究。
(5)可以使用频率分布对象FreqDist和条件频率分布对象ConditionalFreqDist来实现一些文本统计,如不同文体中的情态动词的用法。
路透社语料库
(1)路透社语料库中的文档分成了90个主题,按照‘训练’和‘测试’分成两组。
(2)路透社语料库的类别是相互重叠的,是因为新闻报道往往涉及多个主题。
(3)使用categories方法剋有获取文本列表的主题。
(4)使用fileids方法可以获取涵盖主题列表中任意主题的文本标识符。
(5)使用words方法可以获取文本列表或者是主题列表的所有单词,主题列表需要指定categories参数。
就职演讲语料库
(1)语料库实际上是55个文本的集合,每个文本都是一个总统的演说,