Python NLP入门教程

专业打手

（点击上方公众号，可快速关注）

来源：j_hao104
www.cnblogs.com/jhao/p/7610218.html
如有好文章投稿，请点击 → 这里了解详情

本文简要介绍Python自然语言处理(NLP)，使用Python的NLTK库。NLTK是Python的自然语言处理工具包，在NLP领域中，最常使用的一个Python库。


什么是NLP？


简单来说，自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。


这里讨论一些自然语言处理(NLP)的实际应用例子，如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词，以及生成语法正确完整句子和段落。


这并不是NLP能做的所有事情。


NLP实现


搜索引擎: 比如谷歌，Yahoo等。谷歌搜索引擎知道你是一个技术人员，所以它显示与技术相关的结果；


社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理，就会显示相关的广告和帖子。


语音引擎:比如Apple的Siri。


垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同，它通过了解邮件内容里面的的深层意义，来判断是不是垃圾邮件。


NLP库


下面是一些开源的自然语言处理库(NLP)：

• Natural language toolkit (NLTK);
  
• Apache OpenNLP;
  
• Stanford NLP suite;
  
• Gate NLP library
  

其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP)，它是用Python编写的，而且背后有非常强大的社区支持。


NLTK也很容易上手，实际上，它是最简单的自然语言处理(NLP)库。


在这个NLP教程中，我们将使用Python NLTK库。


安装 NLTK


如果您使用的是Windows/Linux/Mac，您可以使用pip安装NLTK:

pip install nltk

打开python终端导入NLTK检查NLTK是否正确安装：

import nltk

如果一切顺利，这意味着您已经成功地安装了NLTK库。首次安装了NLTK，需要通过运行以下代码来安装NLTK扩展包:

import[color=#006FE0 !important] [color=teal !important]nltk
 
[color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]download[color=#333333 !important]()

这将弹出NLTK 下载窗口来选择需要安装哪些包:





您可以安装所有的包，因为它们的大小都很小，所以没有什么问题。


使用Python Tokenize文本


首先，我们将抓取一个web页面内容，然后分析文本了解页面的内容。


我们将使用urllib模块来抓取web页面:

import[color=#006FE0 !important] [color=teal !important]urllib[color=#333333 !important].[color=teal !important]request
 
[color=#002D7A !important]response[color=#006FE0 !important] = [color=teal !important]urllib[color=#333333 !important].[color=#002D7A !important]request[color=#333333 !important].[color=teal !important]urlopen[color=#333333 !important]([color=#DD1144 !important]'http://php.net/'[color=#333333 !important])
[color=#002D7A !important]html[color=#006FE0 !important] = [color=#002D7A !important]response[color=#333333 !important].[color=teal !important]read[color=#333333 !important]()
[color=teal !important]print[color=#006FE0 !important] [color=#333333 !important]([color=#002D7A !important]html[color=#333333 !important])

从打印结果中可以看到，结果包含许多需要清理的HTML标签。


然后BeautifulSoup模块来清洗这样的文字:

from[color=#006FE0 !important] [color=teal !important]bs4 import[color=#006FE0 !important] [color=teal !important]BeautifulSoup
 
import[color=#006FE0 !important] [color=teal !important]urllib[color=#333333 !important].[color=teal !important]request
[color=#002D7A !important]response[color=#006FE0 !important] = [color=teal !important]urllib[color=#333333 !important].[color=#002D7A !important]request[color=#333333 !important].[color=teal !important]urlopen[color=#333333 !important]([color=#DD1144 !important]'http://php.net/'[color=#333333 !important])
[color=#002D7A !important]html[color=#006FE0 !important] = [color=#002D7A !important]response[color=#333333 !important].[color=teal !important]read[color=#333333 !important]()
[color=#002D7A !important]soup[color=#006FE0 !important] = [color=teal !important]BeautifulSoup[color=#333333 !important]([color=#002D7A !important]html[color=#333333 !important],[color=#DD1144 !important]"html5lib"[color=#333333 !important])
[color=#999999 !important]# 这需要安装html5lib模块
[color=#002D7A !important]text[color=#006FE0 !important] = [color=#002D7A !important]soup[color=#333333 !important].[color=teal !important]get_text[color=#333333 !important]([color=#002D7A !important]strip[color=#006FE0 !important]=[color=#800080 !important]True[color=#333333 !important])
[color=teal !important]print[color=#006FE0 !important] [color=#333333 !important]([color=#002D7A !important]text[color=#333333 !important])

现在我们从抓取的网页中得到了一个干净的文本。


下一步，将文本转换为tokens,像这样:

from[color=#006FE0 !important] [color=teal !important]bs4 import[color=#006FE0 !important] [color=teal !important]BeautifulSoup
import[color=#006FE0 !important] [color=teal !important]urllib[color=#333333 !important].[color=teal !important]request
 
[color=#002D7A !important]response[color=#006FE0 !important] = [color=teal !important]urllib[color=#333333 !important].[color=#002D7A !important]request[color=#333333 !important].[color=teal !important]urlopen[color=#333333 !important]([color=#DD1144 !important]'http://php.net/'[color=#333333 !important])
[color=#002D7A !important]html[color=#006FE0 !important] = [color=#002D7A !important]response[color=#333333 !important].[color=teal !important]read[color=#333333 !important]()
[color=#002D7A !important]soup[color=#006FE0 !important] = [color=teal !important]BeautifulSoup[color=#333333 !important]([color=#002D7A !important]html[color=#333333 !important],[color=#DD1144 !important]"html5lib"[color=#333333 !important])
[color=#002D7A !important]text[color=#006FE0 !important] = [color=#002D7A !important]soup[color=#333333 !important].[color=teal !important]get_text[color=#333333 !important]([color=#002D7A !important]strip[color=#006FE0 !important]=[color=#800080 !important]True[color=#333333 !important])
[color=#002D7A !important]tokens[color=#006FE0 !important] = [color=#002D7A !important]text[color=#333333 !important].[color=teal !important]split[color=#333333 !important]()
[color=teal !important]print[color=#006FE0 !important] [color=#333333 !important]([color=#002D7A !important]tokens[color=#333333 !important])

统计词频


text已经处理完毕了，现在使用Python NLTK统计token的频率分布。


可以通过调用NLTK中的FreqDist()方法实现:

from[color=#006FE0 !important] [color=teal !important]bs4 import[color=#006FE0 !important] [color=teal !important]BeautifulSoup
import[color=#006FE0 !important] [color=teal !important]urllib[color=#333333 !important].[color=teal !important]request
import[color=#006FE0 !important] [color=teal !important]nltk
 
[color=#002D7A !important]response[color=#006FE0 !important] = [color=teal !important]urllib[color=#333333 !important].[color=#002D7A !important]request[color=#333333 !important].[color=teal !important]urlopen[color=#333333 !important]([color=#DD1144 !important]'http://php.net/'[color=#333333 !important])
[color=#002D7A !important]html[color=#006FE0 !important] = [color=#002D7A !important]response[color=#333333 !important].[color=teal !important]read[color=#333333 !important]()
[color=#002D7A !important]soup[color=#006FE0 !important] = [color=teal !important]BeautifulSoup[color=#333333 !important]([color=#002D7A !important]html[color=#333333 !important],[color=#DD1144 !important]"html5lib"[color=#333333 !important])
[color=#002D7A !important]text[color=#006FE0 !important] = [color=#002D7A !important]soup[color=#333333 !important].[color=teal !important]get_text[color=#333333 !important]([color=#002D7A !important]strip[color=#006FE0 !important]=[color=#800080 !important]True[color=#333333 !important])
[color=#002D7A !important]tokens[color=#006FE0 !important] = [color=#002D7A !important]text[color=#333333 !important].[color=teal !important]split[color=#333333 !important]()
[color=#002D7A !important]freq[color=#006FE0 !important] = [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]FreqDist[color=#333333 !important]([color=#002D7A !important]tokens[color=#333333 !important])
for[color=#006FE0 !important] [color=#002D7A !important]key[color=#333333 !important],[color=teal !important]val in[color=#006FE0 !important] [color=#002D7A !important]freq[color=#333333 !important].[color=teal !important]items[color=#333333 !important]()[color=#006FE0 !important]:
[color=#006FE0 !important]    [color=teal !important]print[color=#006FE0 !important] [color=#333333 !important]([color=teal !important]str[color=#333333 !important]([color=#002D7A !important]key[color=#333333 !important])[color=#006FE0 !important] + [color=#DD1144 !important]':'[color=#006FE0 !important] + [color=teal !important]str[color=#333333 !important]([color=#002D7A !important]val[color=#333333 !important]))

如果搜索输出结果，可以发现最常见的token是PHP。


您可以调用plot函数做出频率分布图:

[color=#002D7A !important]freq[color=#333333 !important].[color=teal !important]plot[color=#333333 !important]([color=#009999 !important]20[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]cumulative[color=#006FE0 !important]=[color=#800080 !important]False[color=#333333 !important])
[color=#999999 !important]# 需要安装matplotlib库

这上面这些单词。比如of,a,an等等，这些词都属于停用词。


一般来说，停用词应该删除，防止它们影响分析结果。


处理停用词


NLTK自带了许多种语言的停用词列表，如果你获取英文停用词:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]stopwords
 
[color=#002D7A !important]stopwords[color=#333333 !important].[color=teal !important]words[color=#333333 !important]([color=#DD1144 !important]'english'[color=#333333 !important])

现在，修改下代码,在绘图之前清除一些无效的token:

[color=#002D7A !important]clean_tokens[color=#006FE0 !important] = [color=teal !important]list[color=#333333 !important]()
[color=#002D7A !important]sr[color=#006FE0 !important] = [color=#002D7A !important]stopwords[color=#333333 !important].[color=teal !important]words[color=#333333 !important]([color=#DD1144 !important]'english'[color=#333333 !important])
for[color=#006FE0 !important] [color=teal !important]token[color=#006FE0 !important] in[color=#006FE0 !important] [color=#002D7A !important]tokens[color=#006FE0 !important]:
[color=#006FE0 !important]    if[color=#006FE0 !important] [color=teal !important]token[color=#006FE0 !important] not[color=#006FE0 !important] in[color=#006FE0 !important] [color=#002D7A !important]sr[color=#006FE0 !important]:
[color=#006FE0 !important]        [color=#002D7A !important]clean_tokens[color=#333333 !important].[color=teal !important]append[color=#333333 !important]([color=teal !important]token[color=#333333 !important])

最终的代码应该是这样的:

from[color=#006FE0 !important] [color=teal !important]bs4 import[color=#006FE0 !important] [color=teal !important]BeautifulSoup
import[color=#006FE0 !important] [color=teal !important]urllib[color=#333333 !important].[color=teal !important]request
import[color=#006FE0 !important] [color=teal !important]nltk
from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]stopwords
 
[color=#002D7A !important]response[color=#006FE0 !important] = [color=teal !important]urllib[color=#333333 !important].[color=#002D7A !important]request[color=#333333 !important].[color=teal !important]urlopen[color=#333333 !important]([color=#DD1144 !important]'http://php.net/'[color=#333333 !important])
[color=#002D7A !important]html[color=#006FE0 !important] = [color=#002D7A !important]response[color=#333333 !important].[color=teal !important]read[color=#333333 !important]()
[color=#002D7A !important]soup[color=#006FE0 !important] = [color=teal !important]BeautifulSoup[color=#333333 !important]([color=#002D7A !important]html[color=#333333 !important],[color=#DD1144 !important]"html5lib"[color=#333333 !important])
[color=#002D7A !important]text[color=#006FE0 !important] = [color=#002D7A !important]soup[color=#333333 !important].[color=teal !important]get_text[color=#333333 !important]([color=#002D7A !important]strip[color=#006FE0 !important]=[color=#800080 !important]True[color=#333333 !important])
[color=#002D7A !important]tokens[color=#006FE0 !important] = [color=#002D7A !important]text[color=#333333 !important].[color=teal !important]split[color=#333333 !important]()
[color=#002D7A !important]clean_tokens[color=#006FE0 !important] = [color=teal !important]list[color=#333333 !important]()
[color=#002D7A !important]sr[color=#006FE0 !important] = [color=#002D7A !important]stopwords[color=#333333 !important].[color=teal !important]words[color=#333333 !important]([color=#DD1144 !important]'english'[color=#333333 !important])
for[color=#006FE0 !important] [color=teal !important]token[color=#006FE0 !important] in[color=#006FE0 !important] [color=#002D7A !important]tokens[color=#006FE0 !important]:
[color=#006FE0 !important]    if[color=#006FE0 !important] not[color=#006FE0 !important] [color=teal !important]token[color=#006FE0 !important] in[color=#006FE0 !important] [color=#002D7A !important]sr[color=#006FE0 !important]:
[color=#006FE0 !important]        [color=#002D7A !important]clean_tokens[color=#333333 !important].[color=teal !important]append[color=#333333 !important]([color=teal !important]token[color=#333333 !important])
[color=#002D7A !important]freq[color=#006FE0 !important] = [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]FreqDist[color=#333333 !important]([color=#002D7A !important]clean_tokens[color=#333333 !important])
for[color=#006FE0 !important] [color=#002D7A !important]key[color=#333333 !important],[color=teal !important]val in[color=#006FE0 !important] [color=#002D7A !important]freq[color=#333333 !important].[color=teal !important]items[color=#333333 !important]()[color=#006FE0 !important]:
[color=#006FE0 !important]    [color=teal !important]print[color=#006FE0 !important] [color=#333333 !important]([color=teal !important]str[color=#333333 !important]([color=#002D7A !important]key[color=#333333 !important])[color=#006FE0 !important] + [color=#DD1144 !important]':'[color=#006FE0 !important] + [color=teal !important]str[color=#333333 !important]([color=#002D7A !important]val[color=#333333 !important]))

现在再做一次词频统计图，效果会比之前好些，因为剔除了停用词:

freq.plot(20,cumulative=False)

使用NLTK Tokenize文本


在之前我们用split方法将文本分割成tokens，现在我们使用NLTK来Tokenize文本。


文本没有Tokenize之前是无法处理的，所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。


你可以将段落tokenize成句子，将句子tokenize成单个词，NLTK分别提供了句子tokenizer和单词tokenizer。


假如有这样这段文本:

Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude

使用句子tokenizer将文本tokenize成句子:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]tokenize[color=#006FE0 !important] import[color=#006FE0 !important] [color=teal !important]sent_tokenize
 
[color=#002D7A !important]mytext[color=#006FE0 !important] = [color=#DD1144 !important]"Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[color=teal !important]print[color=#333333 !important]([color=teal !important]sent_tokenize[color=#333333 !important]([color=#002D7A !important]mytext[color=#333333 !important]))

输出如下:

['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

这是你可能会想，这也太简单了，不需要使用NLTK的tokenizer都可以，直接使用正则表达式来拆分句子就行，因为每个句子都有标点和空格。


那么再来看下面的文本:

Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子，如果使用NLTK:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]tokenize[color=#006FE0 !important] import[color=#006FE0 !important] [color=teal !important]sent_tokenize
 
[color=#002D7A !important]mytext[color=#006FE0 !important] = [color=#DD1144 !important]"Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[color=teal !important]print[color=#333333 !important]([color=teal !important]sent_tokenize[color=#333333 !important]([color=#002D7A !important]mytext[color=#333333 !important]))

输出如下:

['Hello Mr. Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

这才是正确的拆分。


接下来试试单词tokenizer:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]tokenize[color=#006FE0 !important] import[color=#006FE0 !important] [color=teal !important]word_tokenize
 
[color=#002D7A !important]mytext[color=#006FE0 !important] = [color=#DD1144 !important]"Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
[color=teal !important]print[color=#333333 !important]([color=teal !important]word_tokenize[color=#333333 !important]([color=#002D7A !important]mytext[color=#333333 !important]))

输出如下:

['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.']

Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer，它是NLTK.tokenize的一部分。而且这个tokenizer经过训练，可以适用于多种语言。


非英文Tokenize


Tokenize时可以指定语言:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]tokenize[color=#006FE0 !important] import[color=#006FE0 !important] [color=teal !important]sent_tokenize
 
[color=#002D7A !important]mytext[color=#006FE0 !important] = [color=#DD1144 !important]"Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
[color=teal !important]print[color=#333333 !important]([color=teal !important]sent_tokenize[color=#333333 !important]([color=#002D7A !important]mytext[color=#333333 !important],[color=#DD1144 !important]"french"[color=#333333 !important]))

输出结果如下:

['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]

同义词处理


使用nltk.download()安装界面，其中一个包是WordNet。


WordNet是一个为自然语言处理而建立的数据库。它包括一些同义词组和一些简短的定义。


您可以这样获取某个给定单词的定义和示例:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]wordnet
 
[color=#002D7A !important]syn[color=#006FE0 !important] = [color=#002D7A !important]wordnet[color=#333333 !important].[color=teal !important]synsets[color=#333333 !important]([color=#DD1144 !important]"pain"[color=#333333 !important])
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]syn[color=#333333 !important][[color=#009999 !important]0[color=#333333 !important]].[color=teal !important]definition[color=#333333 !important]())
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]syn[color=#333333 !important][[color=#009999 !important]0[color=#333333 !important]].[color=teal !important]examples[color=#333333 !important]())

输出结果是:

a[color=#006FE0 !important] [color=teal !important]symptom of some physical hurt or[color=#006FE0 !important] disorder
[color=#333333 !important][[color=#DD1144 !important]'the patient developed severe pain and distension'[color=#333333 !important]]

WordNet包含了很多定义：

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]wordnet
 
[color=#002D7A !important]syn[color=#006FE0 !important] = [color=#002D7A !important]wordnet[color=#333333 !important].[color=teal !important]synsets[color=#333333 !important]([color=#DD1144 !important]"NLP"[color=#333333 !important])
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]syn[color=#333333 !important][[color=#009999 !important]0[color=#333333 !important]].[color=teal !important]definition[color=#333333 !important]())
[color=#002D7A !important]syn[color=#006FE0 !important] = [color=#002D7A !important]wordnet[color=#333333 !important].[color=teal !important]synsets[color=#333333 !important]([color=#DD1144 !important]"Python"[color=#333333 !important])
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]syn[color=#333333 !important][[color=#009999 !important]0[color=#333333 !important]].[color=teal !important]definition[color=#333333 !important]())

结果如下:

[color=teal !important]the branch of information science that deals with[color=#006FE0 !important] [color=teal !important]natural language information
[color=teal !important]large Old World [color=#002D7A !important]boas

可以像这样使用WordNet来获取同义词:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]wordnet
 
[color=#002D7A !important]synonyms[color=#006FE0 !important] = [color=#333333 !important][]
for[color=#006FE0 !important] [color=teal !important]syn in[color=#006FE0 !important] [color=#002D7A !important]wordnet[color=#333333 !important].[color=teal !important]synsets[color=#333333 !important]([color=#DD1144 !important]'Computer'[color=#333333 !important])[color=#006FE0 !important]:
[color=#006FE0 !important]    for[color=#006FE0 !important] [color=teal !important]lemma in[color=#006FE0 !important] [color=#002D7A !important]syn[color=#333333 !important].[color=teal !important]lemmas[color=#333333 !important]()[color=#006FE0 !important]:
[color=#006FE0 !important]        [color=#002D7A !important]synonyms[color=#333333 !important].[color=teal !important]append[color=#333333 !important]([color=#002D7A !important]lemma[color=#333333 !important].[color=teal !important]name[color=#333333 !important]())
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]synonyms[color=#333333 !important])

输出:

['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']

反义词处理


也可以用同样的方法得到反义词：

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]corpus import[color=#006FE0 !important] [color=teal !important]wordnet
 
[color=#002D7A !important]antonyms[color=#006FE0 !important] = [color=#333333 !important][]
for[color=#006FE0 !important] [color=teal !important]syn in[color=#006FE0 !important] [color=#002D7A !important]wordnet[color=#333333 !important].[color=teal !important]synsets[color=#333333 !important]([color=#DD1144 !important]"small"[color=#333333 !important])[color=#006FE0 !important]:
[color=#006FE0 !important]    for[color=#006FE0 !important] l[color=#006FE0 !important] in[color=#006FE0 !important] [color=#002D7A !important]syn[color=#333333 !important].[color=teal !important]lemmas[color=#333333 !important]()[color=#006FE0 !important]:
[color=#006FE0 !important]        if[color=#006FE0 !important] [color=#002D7A !important]l[color=#333333 !important].[color=teal !important]antonyms[color=#333333 !important]()[color=#006FE0 !important]:
[color=#006FE0 !important]            [color=#002D7A !important]antonyms[color=#333333 !important].[color=teal !important]append[color=#333333 !important]([color=#002D7A !important]l[color=#333333 !important].[color=teal !important]antonyms[color=#333333 !important]()[[color=#009999 !important]0[color=#333333 !important]].[color=teal !important]name[color=#333333 !important]())
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]antonyms[color=#333333 !important])

输出:

['large', 'big', 'big']

词干提取


语言形态学和信息检索里，词干提取是去除词缀得到词根的过程，例如working的词干为work。


搜索引擎在索引页面时就会使用这种技术，所以很多人为相同的单词写出不同的版本。


有很多种算法可以避免这种情况，最常见的是波特词干算法。NLTK有一个名为PorterStemmer的类，就是这个算法的实现:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]PorterStemmer
 
[color=#002D7A !important]stemmer[color=#006FE0 !important] = [color=teal !important]PorterStemmer[color=#333333 !important]()
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'working'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'worked'[color=#333333 !important]))

输出结果是:

[color=teal !important]work
[color=#002D7A !important]work

还有其他的一些词干提取算法，比如 Lancaster词干算法。


非英文词干提取


除了英文之外，SnowballStemmer还支持13种语言。


支持的语言:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]SnowballStemmer
 
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]SnowballStemmer[color=#333333 !important].[color=#002D7A !important]languages[color=#333333 !important])

'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'hungarian', 'italian', 'norwegian', 'porter', 'portuguese', 'romanian', 'russian', 'spanish', 'swedish'

你可以使用SnowballStemmer类的stem函数来提取像这样的非英文单词：

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]SnowballStemmer
 
[color=#002D7A !important]french_stemmer[color=#006FE0 !important] = [color=teal !important]SnowballStemmer[color=#333333 !important]([color=#DD1144 !important]'french'[color=#333333 !important])
 
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]french_stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]"French word"[color=#333333 !important]))

单词变体还原


单词变体还原类似于词干，但不同的是，变体还原的结果是一个真实的单词。不同于词干，当你试图提取某些词时，它会产生类似的词:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]PorterStemmer
 
[color=#002D7A !important]stemmer[color=#006FE0 !important] = [color=teal !important]PorterStemmer[color=#333333 !important]()
 
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'increases'[color=#333333 !important]))

结果:

increas

现在，如果用NLTK的WordNet来对同一个单词进行变体还原，才是正确的结果:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]WordNetLemmatizer
 
[color=#002D7A !important]lemmatizer[color=#006FE0 !important] = [color=teal !important]WordNetLemmatizer[color=#333333 !important]()
 
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'increases'[color=#333333 !important]))

结果:

increase

结果可能会是一个同义词或同一个意思的不同单词。


有时候将一个单词做变体还原时，总是得到相同的词。


这是因为语言的默认部分是名词。要得到动词，可以这样指定：

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]WordNetLemmatizer
 
[color=#002D7A !important]lemmatizer[color=#006FE0 !important] = [color=teal !important]WordNetLemmatizer[color=#333333 !important]()
 
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'playing'[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]pos[color=#006FE0 !important]=[color=#DD1144 !important]"v"[color=#333333 !important]))

结果:

play

实际上，这也是一种很好的文本压缩方式，最终得到文本只有原先的50%到60%。


结果还可以是动词(v)、名词(n)、形容词(a)或副词(r)：

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]WordNetLemmatizer
 
[color=#002D7A !important]lemmatizer[color=#006FE0 !important] = [color=teal !important]WordNetLemmatizer[color=#333333 !important]()
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'playing'[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]pos[color=#006FE0 !important]=[color=#DD1144 !important]"v"[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'playing'[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]pos[color=#006FE0 !important]=[color=#DD1144 !important]"n"[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'playing'[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]pos[color=#006FE0 !important]=[color=#DD1144 !important]"a"[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'playing'[color=#333333 !important],[color=#006FE0 !important] [color=#002D7A !important]pos[color=#006FE0 !important]=[color=#DD1144 !important]"r"[color=#333333 !important]))

输出:

[color=teal !important]play
[color=teal !important]playing
[color=teal !important]playing
[color=#002D7A !important]playing

词干和变体的区别


通过下面例子来观察:

from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]WordNetLemmatizer
from[color=#006FE0 !important] [color=#002D7A !important]nltk[color=#333333 !important].[color=teal !important]stem import[color=#006FE0 !important] [color=teal !important]PorterStemmer
 
[color=#002D7A !important]stemmer[color=#006FE0 !important] = [color=teal !important]PorterStemmer[color=#333333 !important]()
[color=#002D7A !important]lemmatizer[color=#006FE0 !important] = [color=teal !important]WordNetLemmatizer[color=#333333 !important]()
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'stones'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'speaking'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'bedroom'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'jokes'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'lisa'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]stemmer[color=#333333 !important].[color=teal !important]stem[color=#333333 !important]([color=#DD1144 !important]'purple'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#DD1144 !important]'----------------------'[color=#333333 !important])
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'stones'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'speaking'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'bedroom'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'jokes'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'lisa'[color=#333333 !important]))
[color=teal !important]print[color=#333333 !important]([color=#002D7A !important]lemmatizer[color=#333333 !important].[color=teal !important]lemmatize[color=#333333 !important]([color=#DD1144 !important]'purple'[color=#333333 !important]))

输出:

[color=teal !important]stone
[color=teal !important]speak
[color=teal !important]bedroom
[color=teal !important]joke
[color=teal !important]lisa
[color=#002D7A !important]purpl
[color=#006FE0 !important]---------------------
[color=teal !important]stone
[color=teal !important]speaking
[color=teal !important]bedroom
[color=teal !important]joke
[color=teal !important]lisa
[color=#002D7A !important]purple

词干提取不会考虑语境，这也是为什么词干提取比变体还原快且准确度低的原因。


个人认为，变体还原比词干提取更好。单词变体还原返回一个真实的单词，即使它不是同一个单词，也是同义词，但至少它是一个真实存在的单词。


如果你只关心速度，不在意准确度，这时你可以选用词干提取。


在此NLP教程中讨论的所有步骤都只是文本预处理。在以后的文章中，将会使用Python NLTK来实现文本分析。


我已经尽量使文章通俗易懂。希望能对你有所帮助。

看完本文有收获？请转发分享给更多人

关注「Python开发者」，提升Python技能

淘口令：复制以下红色内容，再打开手淘即可购买
范品社，使用￥极客T恤￥抢先预览（长按复制整段文案，打开手机淘宝即可进入活动内容）