NLTK基础教程学习笔记（四）

标识化处理：
机器所要理解的最小处理单位是单词（分词）。标识化处理，是将原生字符创分割成一系列有意义的分词。标识化就是将原生字符串分割成一系列有意义的分词。标识化处理的复杂性因具体NLP应用而异，目标语言本身的复杂性本身也会带来相关的变化。在英语中，可以通过正则表达式简单的单词来选取纯单词和数字，但在中文中会成为一个复杂的任务

from nltk.tokenize import word_tokenize
from nltk.tokenize import regexp_tokenize,wordpunct_tokenize,blankline_tokenize
s="Hi Everyone! hola gr8"
print(s.split())
print(word_tokenize(s))
print(regexp_tokenize(s,pattern='\w+'))
print(regexp_tokenize(s,pattern='\d+'))
print(wordpunct_tokenize(s))
print(blankline_tokenize(s))

结果：

['Hi', 'Everyone!', 'hola', 'gr8']
['Hi', 'Everyone', '!', 'hola', 'gr8']
['Hi', 'Everyone', 'hola', 'gr8']
['8']
['Hi', 'Everyone', '!', 'hola', 'gr8']
['Hi Everyone! hola gr8']

上面用到了各种标识器（tokenizer）
Python字符串类型方法split():是一个最基本的标识器，使用空白符来执行单词的分割，split()本身也可以被配置成为一些较为复杂的标识化处理。
word_tokensize()方法是一个通用的，强大的，面向对象的可面向对象所有类型预料库的标识化处理方法。
regex_tokensize()是一个位用户需求设计的，自定义程度更高的表示器，如用可以基于正则表达式的标识器分割出相同的字符串，用/w分割出单词和数字用/d对数字进行提取
词干提取：
词干提取(stemming)是一个修枝剪叶的过程，通过一些基本的规则，可以得到所有的分词。词干提取是一种较为粗糙的过程，希望用它来取得相关的分词的各种变化，如eat这个词会有像eating，eaten，eats等变化。在某些情况下不需要区别这些，通常会用词干提取的方法将这些变化归结为相同的词根。对于简单的方法我们可以用词干提取，对于较为复杂的NLP问题，我们必须改用词形还原(lemmatization):
下面是一个词干提取的例子：

from nltk.stem import PorterStemmer
from nltk.stem.lancaster import LancasterStemmer
from nltk.stem.snowball import  SnowballStemmer
pst=PorterStemmer()
lst=LancasterStemmer()
print(lst.stem("eating"))
print(pst.stem("shopping"))

结果：

eat
shop

一个拥有基本规则的词干提取器，在像移除-s/es、-ing或-ed这里事情上都可以达到70%的精确度。Poster1和lancaStemmer有更多的规则，精确度会更加高。
当多种词干提取算法介入时，精确度和性能上会有差异。
Snowball能处理荷兰语，英语，法语，德语，意大利语，葡萄牙语，罗马尼亚语和俄语等语言。
词形还原：
词形还原（lemmatization）涵盖了词根所有的文法和变化形式，还会利用上下文语境和词性来确定相关单词的变化，并运用不同的标准化规则，根据词性来获取相关的词根。

from nltk.stem import WordNetLemmatizer
wlem=WordNetLemmatizer()
print(wlem.lemmatize("ate"))

结果

ate

WordNetLemmatizer使用了wordnet，会针对某个单词去搜索wordnet这个语义字典，还用到了变形分析，以便直切词根并搜索到特殊词形。
停用词移除：
停用词移除（Stop word removal）简单的移除预料库中在所有文档中可能出现的单词，通常是冠词和代词。

from nltk.corpus import stopwords
stoplist=stopwords.words('english')
#print(stoplist)
text="This is just a test"
out=cleanwordlist=[word for word in text.split() if word not in stoplist]
print(out)

结果：

['This', 'test']