nltk模块

1. nltk简介

　　http://www.nltk.org

2. nltk能做什么？

2.1 搜索文本

• 单词搜索
• 相似词搜索
• 相似关键词识别
• 词汇分布图
• 生成文本

from nltk.book import *

# 词语搜索
print('搜索词monstrous->')
text1.concordance('monstrous')

print('上下文相似词->')
# 上下文相似词, 没有返回值
text2.similar('monstrous')

# 共同上下文
print('monstrous, very共同上下文')
text2.common_contexts(['monstrous', 'very'])

# 词汇分布表
text4.dispersion_plot(['citizens', 'democracy', 'freedom', 'duties', 'America'])

# 词数统计
len(text3)

# 出现的不重复词语的词数
len(set(text3))

# 排序
sorted(set(text3))

# 重复词密度
from __future__ import division
len(text3) / len(set(text3))

# 关键词密度
text3.count('smote')
100 * text4.count('a') / len(text4)

# 平均词密度, 平均每个词出现的词数
def lexical_diversity(text):
    return len(text) / len(set(text))

lexical_diversity(text1)

2.2  计数词汇

3. 词链表

print(sent1) # ['Call', 'me', 'Ishmael', '.']
print(sent1[1:3])

3.1 词频分布

nltk内置的统计类：FeDist

fdist = FreqDist(text1)
print(fdist)

# 频率累计分布图
fdist.plot(50, cumulative=True)

频率累计分布图：

　　丢弃高频且没有意义的词，或者是抽取具有P特性（例如词的长度大于15）的词汇。

# 细粒度的选择词
V = set(text5)
long_words = [w for w in V if len(w) >= 15]
sorted(long_words)

# 综合词的长度和词频，进行筛选
sorted([w for w in set(text5) if len(w) > 7 and fdist[w] > 7])

　　词语搭配：

from nltk.util import bigrams  # 二元语法， trigrams 三元语法

list(bigrams(['more', 'is', 'said', 'than', 'done']))   # [('more', 'is'), ('is', 'said'), ('said', 'than'), ('than', 'done')]

# 经常出现的双联次
text1.collocations()

　　词长分布，对作者的文章也是有影响的：

# 词长分布
fdist = FreqDist([len(w) for w in text1])

fdist.items()
# dict_items([(1, 47933), (4, 42345), (2, 38513), (6, 17111), (8, 9966), (9, 6428), (11, 1873), (5, 26597), (7, 14399), (3, 50223), (10, 3528), (12, 1053), (
# 13, 567), (14, 177), (16, 22), (15, 70), (17, 12), (18, 1), (20, 1)])

4. 自然语言处理（NLP）

自然语言：自然的随着文化演化的语言，就是人们日常使用的语言。

自然语言处理：用计算机对自然语言进行操作。

自然语言研究的内容：

• 此意消岐
• 指代理解
• 自动生成语言
• 机器翻译
• 人机对话系统
• 文本含义识别

5. nltk语料库

end