1. 读邮件数据集文件,提取邮件本身与标签。
列表
numpy数组
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nltk
安装完成,通过下述命令可查看nltk版本:
importnltk
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
3. 训练集与测试集
4. 词向量
5. 模型
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
def preprocessing(text):
tokens = [];
# 1.对录入的文本按照句子进行分割;
for sent in nltk.sent_tokenize(text):
# 2.对句子进行分词;
for word in nltk.word_tokenize(sent):
# 存放如token中
tokens.append(word)
#3.去除停用词(如i\me\my)
stops=stopwords.words("english")
tokens = [token for token in tokens if token not in stops]
#4.大小写转换,并去掉短于3的词
tokens=[token.lower() for token in tokens if len(token) >=3]
#NLTK词性标注(
nltk.pos_tag(tokens)
#5.词性还原Lemmatisation
# 定义还原对象
lemmatizer=WordNetLemmatizer()
# 名词
tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]
# 动词
tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]
# 形容词
tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]
# 返回处理完成后的文本
return tokens;
#数据读取
a=open("SMSSpamCollection",'r',encoding='utf-8')
a_data=[]
a_label=[]
csv_reader=csv.reader(a,delimiter='\t')
for line in csv_reader: #预处理
a_label.append(line[0])
a_data.append(preprocessing(line[1]))
a.close()
#标题
print("标题内容:",a_label)
#处理后的邮件内容
print("处理后内容:")
for i in a_data:
print(i)