目录
NLTK（natural language toolkit）是一套基于python的自然语言处理工具集。
1. NLTK安装与功能描述
（1）NLTK安装
首先，打开终端安装nltk
pip install nltk 打开Python终端并输入以下内容来安装 NLTK 包
import nltk
nltk.download() （2）语言处理任务与相应NLTK模块以及功能描述
（3）NLTK自带的语料库（corpus）
在nltk.corpus包下，提供了几类标注好的语料库。见下表
| 语料库 | 说明 |
| gutenberg | 一个有若干万部的小说语料库，多是古典作品 |
| webtext | 收集的网络广告等内容 |
| nps_chat | 有上万条聊天消息语料库，即时聊天消息为主 |
| brown | 一个百万词级的英语语料库，按文体进行分类 |
| reuters | 路透社语料库，上万篇新闻方档，约有1百万字，分90个主题，并分为训练集和测试集两组 |
| inaugural | 演讲语料库，几十个文本，都是总统演说 |
from nltk.corpus import brown
print(brown.categories()) #输出brown语料库的类别
print(len(brown.sents())) #输出brown语料库的句子数量
print(len(brown.words())) #输出brown语料库的词数量
'''
结果为：
['adventure', 'belles_lettres', 'editorial', 'fiction', 'government', 'hobbies',
'humor', 'learned', 'lore', 'mystery', 'news', 'religion', 'reviews', 'romance',
'science_fiction']
57340
1161192
''' 2. NLTK词频统计（Frequency）
NLTK 中的FreqDist( ) 类主要记录了每个词出现的次数，根据统计数据生成表格或绘图。其结构简单，用一个有序词典进行实现。
| 方法 | 作用 |
| B() | 返回词典的长度 |
| plot(title,cumulative=False) | 绘制频率分布图，若cumu为True，则是累积频率分布图 |
| tabulate() | 生成频率分布的表格形式 |
| most_common() | 返回出现次数最频繁的词与频度 |
| hapaxes() | 返回只出现过一次的词 |
词频统计功能实现如下：
import nltk
tokens=[ 'my','dog','has','flea','problems','help','please',
'maybe','not','take','him','to','dog','park','stupid',
'my','dalmation','is','so','cute','I','love','him' ]
#统计词频
freq = nltk.FreqDist(tokens)
#输出词和相应的频率
for key,val in freq.items():
print (str(key) + ':' + str(val))
#可以把最常用的5个单词拿出来
standard_freq=freq.most_common(5)
print(standard_freq)
#绘图函数为这些词频绘制一个图形
freq.plot(20, cumulative=False) 3. NLTK去除停用词（stopwords）
from nltk.corpus import stopwords
tokens=[ 'my','dog','has','flea','problems','help','please',
'maybe','not','take','him','to','dog','park','stupid',
'my','dalmation','is','so','cute','I','love','him' ]
clean_tokens=tokens[:]
stwords=stopwords.words('english')
for token in tokens:
if token in stwords:
clean_tokens.remove(token)
print(clean_tokens) 4. NLTK分句和分词（tokenize）
（1）nltk分句
from nltk.tokenize import sent_tokenize
mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext)) 结果如下：
['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.'] （2） nltk分词
from nltk.tokenize import word_tokenize
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(word_tokenize(mytext)) 结果如下：
['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.'] （3） nltk标记非英语语言文本
from nltk.tokenize import sent_tokenize
mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
print(sent_tokenize(mytext,"french")) 结果如下：
['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."] 5. NLTK词干提取 （Stemming）
单词词干提取就是从单词中去除词缀并返回词根。（比方说 working 的词干是 work。）搜索引擎在索引页面的时候使用这种技术，所以很多人通过同一个单词的不同形式进行搜索，返回的都是相同的，有关这个词干的页面。
词干提取的算法有很多，但最常用的算法是 Porter 提取算法。NLTK 有一个 PorterStemmer 类，使用的就是 Porter 提取算法。
（1） PorterStemmer
from nltk.stem import PorterStemmer
porter_stemmer = PorterStemmer()
print(porter_stemmer.stem('working'))
#结果为：work （2）LancasterStemmer
from nltk.stem import LancasterStemmer
lancaster_stemmer = LancasterStemmer()
print(lancaster_stemmer.stem('working'))
#结果为：work （3）SnowballStemmer 提取非英语单词词干
SnowballStemmer 类，除了英语外，还可以适用于其他 13 种语言。支持的语言如下：
from nltk.stem import SnowballStemmer
print(SnowballStemmer.languages)
#结果为：
('danish', 'dutch', 'english', 'finnish', 'french', 'german', 'hungarian', 'italian', 'norwegian', 'porter', 'portuguese', 'romanian', 'russian', 'spanish', 'swedish') 使用 SnowballStemmer 类的 stem() 函数来提取非英语单词
from nltk.stem import SnowballStemmer
french_stemmer = SnowballStemmer('french')
print(french_stemmer.stem("French word"))
#结果为：french word 6. NLTK词形还原（Lemmatization）
（1）词形还原与词干提取类似， 但不同之处在于词干提取经常可能创造出不存在的词汇，词形还原的结果是一个真正的词汇。
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
print(lemmatizer.lemmatize('increases'))
#结果为：increase （2） 结果可能是同义词或具有相同含义的不同词语。有时，如果你试图还原一个词，比如 playing,还原的结果还是 playing。这是因为默认还原的结果是名词，如果你想得到动词，可以通过以下的方式指定。
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
print(lemmatizer.lemmatize('playing', pos="v"))
#结果为：play （3）实际上，这是一个非常好的文本压缩水平。最终压缩到原文本的 50％ 到 60％ 左右。结果可能是动词，名词，形容词或副词：
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
print(lemmatizer.lemmatize('playing', pos="v"))
print(lemmatizer.lemmatize('playing', pos="n"))
print(lemmatizer.lemmatize('playing', pos="a"))
print(lemmatizer.lemmatize('playing', pos="r"))
'''
结果为：
play
playing
playing
playing
''' 7. NLTK词性标注（POS Tag）
（1）词性标注是把一个句子中的单词标注为名词，形容词，动词等。
import nltk
text=nltk.word_tokenize('what does the fox say')
print(text)
print(nltk.pos_tag(text))
'''
结果为：
['what', 'does', 'the', 'fox', 'say']
输出是元组列表，元组中的第一个元素是单词，第二个元素是词性标签
[('what', 'WDT'), ('does', 'VBZ'), ('the', 'DT'), ('fox', 'NNS'), ('say', 'VBP')]
''' （2）简化的词性标记集列表（Part of Speech）
| 标记（Tag） | 含义（Meaning） | 例子（Examples） |
| ADJ | 形容词（adjective） | new，good，high，special，big |
| ADV | 副词（adverb） | really,，already，still，early，now |
| CNJ | 连词（conjunction） | and，or，but，if，while |
| DET | 限定词（determiner） | the，a，some，most，every |
| EX | 存在量词（existential） | there，there's |
| FW | 外来词（foreign word） | dolce，ersatz，esprit，quo，maitre |
| MOD | 情态动词（modal verb） | will，can，would，may，must |
| N | 名词（noun） | year，home，costs，time |
| NP | 专有名词（proper noun） | Alison，Africa，April，Washington |
| NUM | 数词（number） | twenty-four，fourth，1991，14:24 |
| PRO | 代词（pronoun） | he，their，her，its，my，I，us |
| P | 介词（preposition） | on，of，at，with，by，into，under |
| TO | 词 to（the word to） | to |
| UH | 感叹词（interjection） | ah，bang，ha，whee，hmpf，oops |
| V | 动词（verb） | is，has，get，do，make，see，run |
| VD | 过去式（past tense） | said，took，told，made，asked |
| VG | 现在分词（present participle） | making，going，playing，working |
| VN | 过去分词（past participle） | given，taken，begun，sung |
| WH | wh限定词（wh determiner） | who，which，when，what，where |
8. NLTK中的wordnet
wordnet 是为自然语言处理构建的数据库。它包括部分词语的一个同义词组和一个简短的定义。
（1）通过 wordnet可以得到给定词的定义和例句
from nltk.corpus import wordnet
syn = wordnet.synsets("pain") #获取“pain”的同义词集
print(syn[0].definition())
print(syn[0].examples())
'''
结果为：
a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']
''' （2）使用 wordnet来获得同义词
from nltk.corpus import wordnet
synonyms = []
for syn in wordnet.synsets('Computer'):
for lemma in syn.lemmas():
synonyms.append(lemma.name())
print(synonyms)
'''
结果为：
['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']
''' （3）使用wordnet来获取反义词
from nltk.corpus import wordnet
antonyms = []
for syn in wordnet.synsets("small"):
for l in syn.lemmas():
if l.antonyms(): #判断是否是正确的反义词
antonyms.append(l.antonyms()[0].name())
print(antonyms)
'''
结果为：
['large', 'big', 'big']
'''
京公网安备 11010502036488号