《用Python进行自然语言处理——图文x详解(一)》由会员分享，可在线阅读，更多相关《用Python进行自然语言处理——图文x详解(一)（9页珍藏版）》请在金锄头文库上搜索。
1、用 Python 进行自然语言处理（一）2014.07.27语言计算：文本和单词，NLTK 入门首先应该安装 NLTK，可以从官网免费下载，按照说明下载适合你的操作系统的版本。安装完 NLTK 之后，启动 IDLE(Python GUI)，输入下面两行命令，然后选择 book，如图所示：一旦数据 nltk_data 下载到你的计算机，输入命令加载所有数据，如图所示：搜索文本以下开始介绍研究文本内容的方法，词语索引视图显示一个指定单词的每一次出现，连同上下文一起显示，查一下 text1 中的 monstrous。如图所示：我们可以通过在被查询的文本名后添加函数 similar，然后在括号中插入相
2、关的词来查找相似的词。如图所示在这个过程中，你可能会重复输入相似的命令，可以使用快捷键 Alt+P，或者将鼠标光标放置在重复的命令行出，然后 press 键 Enter，就会实现重复输入。函数 common_contexts 允许我们研究两个或两个以上的次共同的上下文，如图所示：判断词在文本中的位置，从文本开头算起在它前面有多少次，这个位置信息可以用离散图表示，可以用来研究随时间推移语言使用上的变化，如图所示：产生一些随机文本，第一次运行此命令时，由于要搜集词序列的统计信息而执行的比较慢，每次运行它，输出的文本都会不同。而当前使用版本却不支持 generate()。计数词汇使用 len 来获取
3、文本从头到尾的长度，如图所示：使用 set 命令获得 text8 的词汇表，因为 text8 的文本长度最新，计算机运行速度较快，所以选择 text8 作为示例。如图所示：用 sorted 包裹起表达式 set()，我们得到一个词汇项的排序表，这个表以各种标点符号开始，大写单词排在消协单词的前面，如图所示：现在我们队文本词汇丰富度进行测量，下图展示每个字平均被使用了 4 次，显示浮点除法不可用。计数一个词在文本中出现的次数：计算一个特定的次在文本中占据的百分比：定义新的函数：频率分布使用 FreqDist 寻找 text8 中最常见的 40 个词，通过切片查看这个联邦的前 40 项，我们可以产
4、生一个这些词汇的累积频率图，使用以下命令产生：细粒度的选择词对于词汇表 V 中的每一个词 w，我们检查其长度是否大于 15，所以其他词汇将被忽略。使用以下命令查找所以长度超过 7 个字符出现次数超过 7 次的词：词语搭配和双连词要获取搭配，先从提取文本词汇中的词对，也就是双连词，使用函数 bigrams 实现，使用collocations()找到频繁出现的双连词：计数其他东西查看文本中词长的分布：可以看出该文本包含由 1 个字符， 2 个字符，14 个字符组成的词，没有超过 15 个字符以上的词，可以得到长度为 6 的词出现的频率：回到 Python：决策与控制下面是一些用来从文本中选择词汇的运算符的例子，以“ness”结尾的词，包含“ing”的词，完全由数字组成的词：对每个元素进行操作：回到计数词汇的问题，不重复计数像 This 和 this 这样仅仅大小写不同的词，就从词汇表中抹去了近 300 个词，还可以过滤掉所有非字母原始，从词汇表中消除数字和标点符号：机器翻译人机对话
