掌握NLTK：Python自然语言处理库中级教程

青春不朽5122023-08-05 10:31

在之前的初级教程中，我们已经了解了NLTK（Natural Language Toolkit）的基本用法，如进行文本分词、词性标注和停用词移除等。在本篇中级教程中，我们将进一步探索NLTK的更多功能，包括词干提取、词形还原、n-gram模型以及词云的绘制。

一、词干提取

词干提取是一种将词语简化为其基本形式或词干的过程。例如，"running"、"runner"和"ran"的词干可能都是"run"。在NLTK中，我们可以使用Porter词干提取器进行词干提取：

python 复制代码

from nltk.stem import PorterStemmer
from nltk.tokenize import word_tokenize

ps = PorterStemmer()

words = ["run", "runner", "running", "ran"]
for w in words:
    print(ps.stem(w))

二、词形还原

与词干提取相似，词形还原也是简化词语的一种方式，但它保留的是词语的词形，而不仅仅是词干。在NLTK中，我们可以使用WordNet词形还原器进行词形还原：

python 复制代码

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

print(lemmatizer.lemmatize("running"))
print(lemmatizer.lemmatize("ran", pos='v'))

三、n-gram模型

n-gram是一种语言模型，用于预测下一个词的可能性。n-gram模型基于统计的方法，考虑前n-1个词来预测下一个词。在NLTK中，我们可以使用ngrams函数来生成n-gram：

python 复制代码

from nltk import ngrams
from nltk.tokenize import word_tokenize

sentence = "I love to play football"
n = 2
grams = ngrams(word_tokenize(sentence), n)
for gram in grams:
    print(gram)

四、绘制词云

词云是一种可视化技术，用于表示文本数据中词的频率。在NLTK中，虽然没有直接提供绘制词云的函数，但我们可以结合wordcloud库来创建词云：

python 复制代码

from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from wordcloud import WordCloud
import matplotlib.pyplot as plt

text = "NLTK is a leading platform for building Python programs to work with human language data."
stop_words = set(stopwords.words('english'))

words = word_tokenize(text)
words = [word for word in words if word not in stop_words]

wordcloud = WordCloud().generate(' '.join(words))

plt.imshow(wordcloud)
plt.axis("off")
plt.show()

以上，我们介绍了NLTK库中的一些中级功能，包括词干提取、词形还原、n-gram模型和词云的绘制等。然而，NLTK还有更多高级的功能和特性，如情感分析、语义角色标注等，值得我们进一步探索和学习。