1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

读取文件代码与运行结果截图如下：

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__

 安装成功后，查看nltk版本：

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

代码如下：

 1 import nltk
 2 from nltk.corpus import stopwords
 3 from nltk.stem import WordNetLemmatizer
 4 import csv
 5 
 6 #邮件预处理
 7 def preprocessing(text):
 8     # 分词
 9     tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
10     # 停用词
11     stops=stopwords.words("english")    # 构建停用器
12     tokens = [token for token in tokens if token not in stops]
13     # 词性标注
14     nltk.pos_tag(tokens)
15     # 词性还原Lemmatisation
16     lemmatizer=WordNetLemmatizer()  # 定义还原对象
17     tokens=[lemmatizer.lemmatize(token, pos='n')for token in tokens]  # 名词还原
18     tokens=[lemmatizer.lemmatize(token, pos='v')for token in tokens]  # 动词还原
19     tokens=[lemmatizer.lemmatize(token, pos='a')for token in tokens]  # 形容词还原
20     return tokens  # 返回处理结果
21 
22 sms = open("E:\机器学习\SMSSpamCollection", 'r', encoding='utf-8')  # 数据读取
23 sms_data = []  # 邮件内容
24 sms_label = []  # 邮件标题
25 csv_reader = csv.reader(sms, delimiter='\t')
26 # 对每封邮件进行预处理
27 for line in csv_reader:
28     sms_label.append(line[0])  # 获取标题
29     sms_data.append(preprocessing(line[1]))  # 获取处理后邮件数据
30 sms.close()  # 关闭读取流
31 print("lable内容：\n", sms_label)  # 标题
32 print("data内容：")  # 处理后的邮件内容
33 for i in sms_data:
34     print(i)

运行结果如下：

3. 训练集与测试集

4. 词向量

5. 模型