第1、2章 分词、词干提取

这篇博客介绍了自然语言处理的基础操作,包括使用NLTK库进行句子和单词划分,利用RegexpTokenizer进行特定模式的词汇提取,去除英文停用词,应用PorterStemmer和WordNetLemmatizer进行词形归并,并展示了如何替换缩写词以优化文本处理。
摘要由CSDN通过智能技术生成

把文章分为句子

para = "Hello World. It's good to see you. Thanks for buying this book."
from nltk.tokenize import sent_tokenize

sent_tokenize(para)


把句子分为单词
from nltk.tokenize import word_tokenize

word_tokenize('Hello World.')

>>> from nltk.tokenize import RegexpTokenizer >>> tokenizer = RegexpTokenizer("[\w']+") >>> tokenizer.tokenize("Can't is a contraction.") ["Can't", 'is', 'a', 'contraction']


去除停用词

from nltk.corpus import stopwords

english_stops = set(stopwords.words('english'))

words = ["Can't", 'is', 'a', 'contraction']

[word for word in words if word not in english_stops]


词形归并

>>> from nltk.stem import Po

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值