自然语言处理NLP入门 -- 第二节预处理文本数据

在自然语言处理（NLP）中，数据的质量直接影响模型的表现。文本预处理的目标是清理和标准化文本数据，使其适合机器学习或深度学习模型处理。本章介绍几种常见的文本预处理方法，并通过 Python 代码进行示例。

2.1 文本清理

文本数据往往包含各种噪音，例如 HTML 标签、特殊字符、空格、数字等。清理文本可以提高模型的准确性。

常见的清理步骤

去除 HTML 标签
移除特殊字符（如 @#%$&）
移除数字
统一大小写（通常转换为小写）
去除多余的空格

Python 示例

python 复制代码

import re  # 正则表达式库，用于文本匹配和替换

text = "Hello, <b>world</b>! Visit us at https://example.com or call 123-456-7890."

# 1. 去除HTML标签
text = re.sub(r'<.*?>', '', text)

# 2. 去除特殊字符（保留字母和空格）
text = re.sub(r'[^a-zA-Z\s]', '', text)

# 3. 转换为小写
text = text.lower()

# 4. 去除多余空格
text = " ".join(text.split())

print(text)

输出：

hello world visit us at httpsexamplecom or call

2.2 分词（Tokenization）

分词是将文本拆分成单个的单词或子词，是 NLP 任务的基础。

常见分词方法

按空格拆分（适用于英文）
NLTK 分词（更精准）
spaCy 分词（高效处理大规模数据）

Python 示例

python 复制代码

import nltk  # 自然语言处理库，提供分词、词性标注、停用词等功能
from nltk.tokenize import word_tokenize, sent_tokenize
import spacy  # 现代 NLP 库，优化分词、词性标注等任务

nltk.download('punkt_tab')  # punkt_tab 是 NLTK 中的分词模型

text = "Hello world! This is an NLP tutorial."

# 1. 基础空格分词
tokens_space = text.split()
print("空格分词:", tokens_space)

# 2. 使用 NLTK 进行分词
tokens_nltk = word_tokenize(text)
print("NLTK 分词:", tokens_nltk)

# 3. 使用 spaCy 进行分词
nlp = spacy.load("en_core_web_sm")  # 加载预训练的小型英文模型
doc = nlp(text)
tokens_spacy = [token.text for token in doc]
print("spaCy 分词:", tokens_spacy)

输出：

空格分词: ['Hello', 'world!', 'This', 'is', 'an', 'NLP', 'tutorial.']
NLTK 分词: ['Hello', 'world', '!', 'This', 'is', 'an', 'NLP', 'tutorial', '.']
spaCy 分词: ['Hello', 'world', '!', 'This', 'is', 'an', 'NLP', 'tutorial', '.']

注意：

空格分词简单但容易出错，如 "NLP tutorial." 仍包含标点。
NLTK 和 spaCy 处理得更精准，分离了标点符号。

2.3 词干提取（Stemming）和词形还原（Lemmatization）

在 NLP 任务中，单词的不同形式可能具有相同的含义，例如：

running 和 run
better 和 good

词干提取和词形还原可以将单词标准化，从而提高模型的泛化能力。

词干提取（Stemming）

词干提取是基于规则的词形归一化方法，会粗暴地去掉单词的后缀。

python 复制代码

from nltk.stem import PorterStemmer, SnowballStemmer  # 词干提取工具

stemmer = PorterStemmer()  # PorterStemmer 是常用的词干提取方法
words = ["running", "flies", "easily", "studies"]

stemmed_words = [stemmer.stem(word) for word in words]
print("Porter Stemmer:", stemmed_words)

输出：

Porter Stemmer: ['run', 'fli', 'easili', 'studi']

缺点：

flies 变成了 fli
easily 变成了 easili
可能导致含义丢失

词形还原（Lemmatization）

Lemmatization 通过查找词典将单词转换为其词根形式，更加精确。

python 复制代码

from nltk.stem import WordNetLemmatizer
import nltk

nltk.download('wordnet')  # 下载 WordNet 语料库

lemmatizer = WordNetLemmatizer()
words = ["running", "flies", "easily", "studies", "better"]

lemmatized_words = [lemmatizer.lemmatize(word, pos="v") for word in words]
print("Lemmatization:", lemmatized_words)

输出：

Lemmatization: ['run', 'fly', 'easily', 'study', 'better']

优点：

flies 被正确地还原为 fly
studies 被正确地还原为 study
better 仍保持其正确形式

2.4 停用词（Stopwords）处理

停用词（Stopwords）是指在文本处理中不重要的高频词，如 is, the, and，可以去除以减少模型计算量。

Python 示例

python 复制代码

from nltk import word_tokenize
from nltk.corpus import stopwords  # NLTK 提供的停用词库
import nltk
nltk.download('stopwords')  # 下载停用词列表

text = "This is a simple NLP example demonstrating stopwords removal."

words = word_tokenize(text)

filtered_words = [word for word in words if word.lower() not in stopwords.words('english')]
print("去除停用词后:", filtered_words)

输出：

去除停用词后: ['simple', 'NLP', 'example', 'demonstrating', 'stopwords', 'removal', '.']

注意：

is, a, this 被去掉
NLP 等关键词被保留

2.5 难点总结

分词的不同方法：空格分词 vs. NLTK vs. spaCy，适用于不同场景。
词干提取 vs. 词形还原：Stemming 可能会导致错误，而 Lemmatization 更精确但需要额外的词性信息。
停用词的处理：某些 NLP 任务（如情感分析）可能需要保留停用词。

2.6 课后练习

练习 1：文本清理

清理以下文本，去掉 HTML 标签、特殊字符、数字，并转换为小写：

python 复制代码

text = "Visit our <b>website</b>: https://example.com!!! Call us at 987-654-3210."

练习 2：使用 spaCy 进行分词

使用 spaCy 对以下文本进行分词：

python 复制代码

text = "Natural Language Processing is fun and useful!"

练习 3：词形还原

使用 Lemmatization 处理以下单词：

python 复制代码

words = ["running", "mice", "better", "studying"]

练习 4：去除停用词

从以下文本中去除停用词：

python 复制代码

text = "This is an example sentence demonstrating stopwords removal."