NLP学习-1--语料预处理与向量空间，语料格式_语料库格式

一，语料（Corpus）

语料库即各个文档文章的集合。收集语料库后，要进行文本预处理，比如：文本分词， 英文字母全部转为小写，删除停用词，计算词频，删除低频词等。

1  分词

 （1）英文文本分词

 （2）中文文本分词，利用jieba工具

        安装：pip install jieba

        jieba介绍：https://github.com/fxsjy/jieba

      

jieba.cut(text)普通分词
 
#想要一些词不要分开，可以加载自定义词典
file_userDict='dict.txt'
jieba.load_userdict(file_userDict)

2  停用词

   停用词就是一些无关紧要的词，比如中文里的 “的”，“哦”。英文里的“yeah”, “oh”。可以网上下载别人已经整理好的停用词，根据自己的任务需要去修改一下就行。停用词也可以去标点符号。

       网上下载的英文停用词文档：

       网上下载的中文停用词文档：中文停用词表: 中文停用词表：百度停用词列表、哈工大停用词表、四川大学机器智能实验室停用词库、中文停用词库、stopword

去停用词后，进行分词的示例：（注意一下文件的编码方式，要和utf-8保持一致，不一致的话，另存为一下，选择utf-8格式保存）

3  计算词频

用下面这个方法创建字典，统计词频，特别好用。用defaultdict创建字典，当键值不存在，也不会报错，更简便。

#计算词频
from collections import defaultdict
frequency = defaultdict(int)
for text in texts:
    for token in text:
        frequency[token] += 1

4   仅保留词频数高于1的词汇

#仅保留词频数高于1的词汇
processed_corpus=[[word for word in text if frequency[word]>1]for text in texts ]
print(processed_corpus)

 5   将语料库中的每个词汇与唯一的整数ID相关联，这里使用gensim.corpora.Dictionary这个类来完成。

 最终代码：

import jieba
from collections import defaultdict
 
#创建停用词列表
stoplist= [line.strip() for line in open('stopword.txt',encoding='UTF-8').readlines()]
 
filename='分词前.txt'
outfilename='分词后.txt'
inputs=open(filename,'r',encoding='UTF-8')
outputs=open(outfilename,'w',encoding='UTF-8')
 
#每一行语句都通过jieba分词，并且每个单词之间通过空格隔开。
raw_corpus=[' '.join(jieba.lcut(line.strip())) for line in inputs]
print(raw_corpus)
 
#将文档中可能存在的英文字符小写化，按空格进行拆分，且去停用词
#注意格式，这里是二维列表了。
texts = [[word for word in document.lower().split() if word not in stoplist]
        for documen