1. 读邮件数据集文件,提取邮件本身与标签。
列表
numpy数组
""" @author Rakers""" import pandas as pd df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8') print(df.to_numpy())
2.邮件预处理
- 邮件分句
- 名子分词
- 去掉过短的单词
- 词性还原
- 连接成字符串
- 传统方法来实现
- nltk库的安装与使用
pip install nltk import nltk nltk.download() # sever地址改成 http://www.nltk.org/nltk_data/
或
https://github.com/nltk/nltk_data
下载gh-pages分支,里面的Packages就是我们要的资源。
将Packages文件夹改名为nltk_data。
或
网盘链接:https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew 提取码:o5ea
放在用户目录。
----------------------------------
安装完成,通过下述命令可查看nltk版本:
import nltk print(nltk.__doc__)
2.1 nltk库 分词
nltk.sent_tokenize(text) #对文本按照句子进行分割 nltk.word_tokenize(sent) #对句子进行分词
2.2 punkt 停用词
from nltk.corpus import stopwords stops=stopwords.words('english')
*如果提示需要下载punkt
nltk.download(‘punkt’)
或 下载punkt.zip
https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ 密码:mema
复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。
2.3 NLTK 词性标注
nltk.pos_tag(tokens)
2.4 Lemmatisation(词性还原)
from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() lemmatizer.lemmatize('leaves') #缺省名词 lemmatizer.lemmatize('best',pos='a') lemmatizer.lemmatize('made',pos='v')
一般先要分词、词性标注,再按词性做词性还原。
2.5 编写预处理函数
def preprocessing(text): sms_data.append(preprocessing(line[1])) #对每封邮件做预处理
import nltk import pandas as pd from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer nltk.download("punkt") nltk.download("stopwords") nltk.download("averaged_perceptron_tagger") nltk.download("wordnet") def preprocessing(text): # 进行分词 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 去除停用词 stops = stopwords.words('english') tokens = [token for token in tokens if token not in stops] # 把在stops里的词去掉 # 词性标注 nltk.pos_tag(tokens) # 词性还原 lemmatizer = WordNetLemmatizer() # 定义还原对象 tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens] # 名词 tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens] # 动词 tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens] # 形容词 return tokens # 返回处理完成后的文本 if __name__ == "__main__": df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8') data = df.to_numpy() sms_data = [] sms_label = [] for line in data: sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) print("标题:", sms_label) print("内容:") for i in sms_data: print(i)