NLTK学习之一：简单文本分析_ltbktxy

nltk的全称是natural language toolkit，是一套基于python的自然语言处理工具集。

1 NLTK的安装

nltk的安装十分便捷，只需要pip就可以。

pip install nltk
1

在nltk中集成了语料与模型等的包管理器，通过在python解释器中执行

>>> import nltk
>>> nltk.download()
1
2

便会弹出下面的包管理界面，在管理器中可以下载语料，预训练的模型等。

2 对文本进行简单的分析

2.1 Text类介绍

nltk.text.Text()类用于对文本进行初级的统计与分析，它接受一个词的列表作为参数。Text类提供了下列方法。

nltk.text.TextCollection类是Text的集合，提供下列方法

2.2 示例

下面我们对青春爱情小说《被遗忘的时光》做下简单的分析。首先加载文本：

import ntlk
import jieba

raw=open('forgotten_times.txt').read()
text=nltk.text.Text(jieba.lcut(raw))
1
2
3
4
5

对于言情小说，先看下风花雪月这样的词出现的情况

print text.concordance(u'风花雪月')
1

输出如下：

>>> Displaying 2 of 2 matches:
彼时 校园 民谣 不复 大热 了 ， 但 处身 校园 ， 喜欢 吟唱 风花雪月 的 感性 青年 还是 喜欢 借此 抒怀 。 邵伊敏 平常 听 英语歌 较
的 眼睛 看 的 是 自己 ， 迷恋 的 却 多半 只是 少女 心中 的 风花雪月 ， 而 迷恋 过后 不可避免 不是 失望 就是 幻灭 。 他 将 目光
1
2
3

再看下作者对于某些同义词的使用习惯

print text.common_contexts([u'一起',u'一同'])
1

输出如下：

>>> 爷爷奶奶_生活 在_时
1

下面看下文章常用的二词搭配

text.collocations()
1

输出

出入境 管理处; 沃尔沃 XC90; 慢吞吞 爬起来; 没交过 男朋友; 邵伊敏 回头一看; 戴维凡 哭笑不得; 没想到 邵伊敏; 邵伊敏 第二天; 邵伊敏 没想到
1

查看关心的词在文中出现的位置

text.dispersion_plot([u'校园',u'大学'])
1

输出如下图：

3 对文档用词进行分布统计

3.1 FreqDist类介绍

这个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。其结构很简单，用一个有序词典进行实现。所以dict类型的方法在此类也是适用的。如keys()等。

3.2 示例

对歌曲《The day you went away》的歌词进行分析。

text = open('corpus/the_day_you_went_away.txt').read()
fdist = nltk.FreqDist(nltk.word_tokenize(text))
fdist.plot(30，cumulative=True)
1
2
3

代码第二行调用了word_tokenize()函数，此函数的作用是基于空格/标点等对文本进行分词，返回分词后的列表。如果要处理中文，需要三方的分词器先处理，之后才能使用nltk进行处理。运行输出分布图如下：

4 nltk自带的语料库

在nltk.corpus包下，提供了几类标注好的语料库。见下表：

更多语料库，可以用nltk.download()在下载管理器中查看corpus。

4.1语料库处理

5 文本预处理

NLP在获取语料之后，通常要进行文本预处理。英文的预处理包括：分词，去停词，提取词干等步骤。中文的分词相对于英文更复杂一些，也需要去停词。但没有提取词干的需要。
对于英文去停词的支持，在corpus下包含了一个stopword的停词库。
对于提取词词干，提供了Porter和Lancaster两个stemer。另个还提供了一个WordNetLemmatizer做词形归并。Stem通常基于语法规则使用正则表达式来实现，处理的范围广，但过于死板。而Lemmatizer实现采用基于词典的方式来解决，因而更慢一些，处理的范围和词典的大小有关。

porter = nltk.PorterStemmer()
porter.stem('lying') #'lie'

lema=nltk.WordNetLemmatizer()
lema.lemmatize('women')   #'woman'
1
2
3
4
5