sql sever如何进行英文词频统计_英文文本分词、词性标注、词频统计、去停用词一条龙~...

今天的目标是将一段英文文本进行分词、词性标注、词形还原、词频统计、去停用词，最后基于词频制作词云~

Cindy和Bosman的故事又有了一点进展，哈哈哈~本人瞎编的功夫日渐精进~

第一步：导入本地语料

成功导入~

第二步：分词

成功分词~

第三步：词性标注

【词性标注是词形还原的基础条件，在词形还原函数中有一个参数需要输入词性】

词性标注结果如下：

第四步：提取名词

需要注意是是，采用nltk库中的pos_tag()方法进行词性标注，得到的词性一般格式为：NN、NNP、JJ、VBD……

这与我们从小背英文单词时所熟悉的n-名词，adj-形容词，adv-副词……不太一样，而做词形还原的这个函数需要的词性表达方式是n、adj、v……这种形式，因此，我们需要对二者进行一个等价转换。

英文词性对照表：

观察上述词性表可以发现一些规律：

①noun-名词一般是以N开头的，如NN、NNS、NNP、NNPS。

②verb-动词一般是以V开头的，如VB、VBD、VBG、VBN、VBP、VBZ。

③adj-形容词一般是以J开头的，如JJ、JJR、JJS。

④adv-副词一般是以RB开头，如RB、RBR、RBS。

以上规律是否足够用呢？其他词性可以不做转换吗？事实上，我也不确定啊，看到网友们都只做了这几个常见的，想想也是，名词可能会因为单复数问题而造成同一个单词分开计数，动词可能因为时态问题，形容词、副词可能因为最高级别和比较级问题……以上所列出的都是常见的问题，那些不常见的对结果影响也不会太大。如果实在不放心，打开wordnet文件夹，可以看到，nltk库在处理时也只考虑了上述最主要的几种情况。

接下来，提取出名词，并且返回结果仅为词，不再包括词性。

注释 ：因为tw是列表中嵌套元组，元组中第1个元素是词，第2个元素是词性（tag），因此i表示一个个元组，i[1]表示元组中第2个元素，即词性。

运行效果如下:

['story', 'woman', 'Cindy', 'man', 'Bosman', 'Once', 'lady', 'Cindy', 'forest', 'Hall', 'Wood', 'miles', 'time', 'man', 'Bosman', 'lady', 'behavior', 'hand', 'softly.The', 'girl', 'man.She', 'forest', 'time', 'sky', 'darker', 'darker.The', 'man', 'cellphone', 'Google', 'Maps', 'Cindy', 'forest', 'time', 'way', 'there.Bosman', 'lady', 'story', 'hhh……']

我想看看各个名词的词频。为了得到每个名词的词频，需要先计算出所有词的词频。

代码如下:

运行结果如下：

{'This': 1, 'is': 1, 'a': 8, 'story': 2, 'about': 1, 'cute': 1, 'woman': 1, 'Cindy': 3, 'and': 6, 'handsome': 2, 'young': 6, 'man': 3, 'Bosman': 2, '.': 3, 'Once': 1, 'upon': 1, ',': 11, 'the': 6, 'lady': 3, 'got': 2, 'lost': 1, 'in': 3, 'forest': 3, 'named': 1, 'Hall': 1, 'Wood': 1, 'after': 2, 'walking': 2, 'for': 3, '500': 1, 'miles': 1, 'she': 2, 'tired': 1, 'thirsty': 1, 'At': 1, 'that': 2, 'time': 3, 'appeared.He': 1, 'greeted': 1, 'with': 2, 'good': 1, 'behavior': 1, 'kissed': 1, 'her': 1, 'hand': 1, 'softly.The': 1, 'girl': 1, 'was': 4, 'actually': 1, 'fully': 1, 'attracted': 1, 'by': 1, 'this': 3, 'charming': 1, 'man.She': 1, 'forgot': 1, 'still': 2, '!': 1, 'They': 1, 'charted': 1, 'long': 2, 'then': 2, 'sky': 1, 'getting': 1, 'darker': 1, 'darker.The': 1, 'had': 1, 'cellphone': 1, 'him': 1, 'so': 1, 'he': 1, 'used': 1, 'Google': 1, 'Maps': 1, 'to': 3, 'guide.Little': 1, 'scared': 1, 'especially': 1, 'they': 1, 'did': 2, 'not': 1, 'find': 1, 'way': 1, 'out': 1, 'there.Bosman': 1, 'tried': 1, 'very': 1, 'hard': 1, 'comfort': 1, 'little': 1, 'but': 1, 'it': 1, "n't": 2, 'work': 1, 'well': 1, 'I': 1, 'do': 1, 'know': 1, 'how': 1, 'continue': 1, 'rediculous': 1, 'let': 1, "'s": 1, 'stop': 1, 'here': 1, 'hhh……': 1}

接下来提取名词的词频：

{'story': 2, 'woman': 1, 'Cindy': 3, 'man': 3, 'Bosman': 2, 'Once': 1, 'lady': 3, 'forest': 3, 'Hall': 1, 'Wood': 1, 'miles': 1, 'time': 3, 'behavior': 1, 'hand': 1, 'softly.The': 1, 'girl': 1, 'man.She': 1, 'sky': 1, 'darker': 1, 'darker.The': 1, 'cellphone': 1, 'Google': 1, 'Maps': 1, 'way': 1, 'there.Bosman': 1, 'hhh……': 1}

最后是去掉停用词，仅保留有意义的词及其词频：

运行结果如下:

{'story': 2, 'cute': 1, 'woman': 1, 'Cindy': 3, 'handsome': 2, 'young': 6, 'man': 3, 'Bosman': 2, '.': 3, 'Once': 1, ',': 11, 'lady': 3, 'got': 2, 'lost': 1, 'forest': 3, 'named': 1, 'Hall': 1, 'Wood': 1, 'walking': 2, '500': 1, 'miles': 1, 'tired': 1, 'thirsty': 1, 'At': 1, 'that': 2, 'time': 3, 'appeared.He': 1, 'greeted': 1, 'good': 1, 'behavior': 1, 'kissed': 1, 'hand': 1, 'softly.The': 1, 'girl': 1, 'actually': 1, 'fully': 1, 'attracted': 1, 'this': 3, 'charming': 1, 'man.She': 1, 'forgot': 1, '!': 1, 'They': 1, 'charted': 1, 'long': 2, 'sky': 1, 'getting': 1, 'darker': 1, 'darker.The': 1, 'had': 1, 'cellphone': 1, 'him': 1, 'used': 1, 'Google': 1, 'Maps': 1, 'guide.Little': 1, 'scared': 1, 'especially': 1, 'they': 1, 'find': 1, 'way': 1, 'out': 1, 'there.Bosman': 1, 'tried': 1, 'very': 1, 'hard': 1, 'comfort': 1, 'little': 1, "n't": 2, 'work': 1, 'well': 1, 'I': 1, 'know': 1, 'how': 1, 'continue': 1, 'rediculous': 1, 'let': 1, "'s": 1, 'stop': 1, 'here': 1}

可以看到，因为事先没有对文本进行小写转换，部分词虽然在停用词表中，但是仍然没有被识别并踢掉。如At.

参考连接：

NLP入门（三）词形还原（Lemmatization） - 山阴少年 - 博客园​www.cnblogs.com NLTK之统计词频，去除停用词，生成词云（一）​www.jianshu.com