欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页

NLTK（语料库）

程序员文章站 2022-05-18 17:15:14
...

本系列博客为学习《用Python进行自然语言处理》一书的学习笔记。
2.1 P41

一、古腾堡语料库

古腾堡语料库主要包含一些文学书籍。
先看一个例子，查看古腾堡语料库包含的文本名称：

import nltk

nltk.corpus.gutenberg.fileids()
Out[82]: 
[u'austen-emma.txt',
 u'austen-persuasion.txt',
 u'austen-sense.txt',
 u'bible-kjv.txt',
 u'blake-poems.txt',
 u'bryant-stories.txt',
 u'burgess-busterbrown.txt',
 u'carroll-alice.txt',
 u'chesterton-ball.txt',
 u'chesterton-brown.txt',
 u'chesterton-thursday.txt',
 u'edgeworth-parents.txt',
 u'melville-moby_dick.txt',
 u'milton-paradise.txt',
 u'shakespeare-caesar.txt',
 u'shakespeare-hamlet.txt',
 u'shakespeare-macbeth.txt',
 u'whitman-leaves.txt']
from nltk.corpus import gutenberg

gutenberg.fileids()
Out[84]: 
[u'austen-emma.txt',
 u'austen-persuasion.txt',
 u'austen-sense.txt',
 u'bible-kjv.txt',
 u'blake-poems.txt',
 u'bryant-stories.txt',
 u'burgess-busterbrown.txt',
 u'carroll-alice.txt',
 u'chesterton-ball.txt',
 u'chesterton-brown.txt',
 u'chesterton-thursday.txt',
 u'edgeworth-parents.txt',
 u'melville-moby_dick.txt',
 u'milton-paradise.txt',
 u'shakespeare-caesar.txt',
 u'shakespeare-hamlet.txt',
 u'shakespeare-macbeth.txt',
 u'whitman-leaves.txt']

utenberg是NLTK预先帮我们加载的语料库，我们可以把gutenberg看做是一个PlaintextCorpusReader对象。

PlaintextCorpusReader::fileids()：该方法返回语料库中的文本标识列表。

PlaintextCorpusReader::words(fileids)：该方法接受一个或多个文本标识作为参数，返回文本单词列表。

emma = gutenberg.words("austen-emma.txt")

emma
Out[86]: [u'[', u'Emma', u'by', u'Jane', u'Austen', u'1816', ...]

PlaintextCorpusReader::raw(fileids)：该方法接受一个或多个文本标识为参数，返回文本原始字符串。

emma = gutenberg.raw("austen-emma.txt")

emma
Out[88]: u'[Emma by Jane Austen 1816]\n\nVOLUME I\n\nCHAPTER I\n\n\nEmma... union.\n\n\nFINIS\n'

PlaintextCorpusReader::sents(fileids)：该方法接受一个或多个文本标识为参数，返回文本中的句子列表。

emma_sents = gutenberg.sents("austen-emma.txt")

emma_sents 
Out[90]: [[u'[', u'Emma', u'by', u'Jane', u'Austen', u'1816', u']'], [u'VOLUME', u'I'], ...]
from nltk.corpus import gutenberg

for fileid in gutenberg.fileids():
    num_chars = len(gutenberg.raw(fileid))  #文本有多少字符
    num_Words = len(gutenberg.words(fileid))#文本有多少词
    num_sents = len(gutenberg.sents(fileid))#文本有多少句子
    num_vocab = len(set([w.lower() for w in gutenberg.words(fileid)]))
    print int(num_chars/num_Words), int(num_Words/num_sents),int(num_Words/num_vocab),fileid

平均词长、平均句子的长度、文本中每个词出现的平均次数

4 24 26 austen-emma.txt
4 26 16 austen-persuasion.txt
4 28 22 austen-sense.txt
4 33 79 bible-kjv.txt
4 19 5 blake-poems.txt
4 19 14 bryant-stories.txt
4 17 12 burgess-busterbrown.txt
4 20 12 carroll-alice.txt
4 20 11 chesterton-ball.txt
4 22 11 chesterton-brown.txt
4 18 10 chesterton-thursday.txt
4 20 24 edgeworth-parents.txt
4 25 15 melville-moby_dick.txt
4 52 10 milton-paradise.txt
4 11 8 shakespeare-caesar.txt
4 12 7 shakespeare-hamlet.txt
4 12 6 shakespeare-macbeth.txt
4 36 12 whitman-leaves.txt

二、网络文本语料库

网络文本语料库中包括火狐交流论坛、在纽约无意听到的话、加勒比海盗电影剧本、个人广告以及葡萄酒评论等等。
webtext同样可以看做是一个PlaintextCorpusReader对象。

from nltk.corpus import webtext

for f in webtext.fileids():
    print f,webtext.raw(f)[:20],'...'

firefox.txt Cookie Manager: "Don ...
grail.txt SCENE 1: [wind] [clo ...
overheard.txt White guy: So, do yo ...
pirates.txt PIRATES OF THE CARRI ...
singles.txt 25 SEXY MALE, seeks  ...
wine.txt Lovely delicate, fra ...

三、即时消息聊天会话语料库

语料库被分成15个文件，每个文件包含几百个按特定日期和特定年龄的聊天室收集的帖子，例如：10-19-20s_706posts.xml包含2006年10月19日从20多岁聊天室收集的706个帖子。

from nltk.corpus import nps_chat
for f in nps_chat.fileids():
    print f

10-19-20s_706posts.xml
10-19-30s_705posts.xml
10-19-40s_686posts.xml
10-19-adults_706posts.xml
10-24-40s_706posts.xml
10-26-teens_706posts.xml
11-06-adults_706posts.xml
11-08-20s_705posts.xml
11-08-40s_706posts.xml
11-08-adults_705posts.xml
11-08-teens_706posts.xml
11-09-20s_706posts.xml
11-09-40s_706posts.xml
11-09-adults_706posts.xml
11-09-teens_706posts.xml

nps_chat可以看做是一个NPSChatCorpusReader对象。

NPSChatCorpusReader::fileids()：该方法返回语料库中的文本标识列表。

NPSChatCorpusReader::posts(fileids)：该方法接受一个或多个文本标识作为参数，返回一个包含对话的列表，每一个对话又同时是单词的列表。

chat_room = nps_chat.posts('10-19-30s_705posts.xml')

print(chat_room)
[[u'U11', u'lol'], [u'lol', u'U11'], [u'wb', u'U9'], ...]

四、布朗语料库

布朗语料库是一个百万词级的英语电子语料库，这个语料库包含500个不同来源的文本，按照文体分类，如：新闻、社论等。我们可以先看看布朗语料库中包含哪些类别：

from nltk.corpus import brown

for f in brown.categories():
    print f

adventure
belles_lettres
editorial
fiction
government
hobbies
humor
learned
lore
mystery
news
religion
reviews
romance
science_fiction

brown可以看做是一个CategorizedTaggedCorpusReader对象。

CategorizedTaggedCorpusReader::categories()：该方法返回语料库中的类别标识。

CategorizedTaggedCorpusReader::fileids(categories)：该方法接受一个或多个类别标识作为参数，返回文本标识列表。

print brown.fileids(['news'])
[u'ca01', u'ca02', u'ca03', u'ca04', u'ca05', u'ca06', u'ca07', u'ca08', u'ca09', u'ca10', u'ca11', u'ca12', u'ca13', u'ca14', u'ca15', u'ca16', u'ca17', u'ca18', u'ca19', u'ca20', u'ca21', u'ca22', u'ca23', u'ca24', u'ca25', u'ca26', u'ca27', u'ca28', u'ca29', u'ca30', u'ca31', u'ca32', u'ca33', u'ca34', u'ca35', u'ca36', u'ca37', u'ca38', u'ca39', u'ca40', u'ca41', u'ca42', u'ca43', u'ca44']

CategorizedTaggedCorpusReader::words(fileids, categories)：该方法接受文本标识或者类别标识作为参数，返回文本单词列表。

news = brown.words(categories='news')

print('news: ', news)
('news: ', [u'The', u'Fulton', u'County', u'Grand', u'Jury', ...])

ca02 = brown.words(fileids='ca02')

print('ca02: ', ca02)
('ca02: ', [u'Austin', u',', u'Texas', u'--', u'Committee', ...])

CategorizedTaggedCorpusReader::sents(fileids, categories)：该方法接受文本标识或者类别标识作为参数，返回文本句子列表，句子本身是词列表。

五、路透社语料库

路透社语料库包含10,788个新闻文档，共计130万字。文档被分成了90个主题，按照训练和测试分为两组。路特社语料库中的类别是项目重叠的，因为新闻报道往往涉及多个主题。

reuters也可以看做是一个CategorizedTaggedCorpusReader对象。

六、就职演说语料库

该语料库是55个文本的集合，每个文本都是一个总统的演说。这个集合的一个显著特性是时间维度。

from nltk.corpus import inaugural

inaugural.fileids()
Out[112]: 
[u'1789-Washington.txt',
 u'1793-Washington.txt',
 u'1797-Adams.txt',
 u'1801-Jefferson.txt',
...
 u'2009-Obama.txt']

[f[:4] for f in inaugural.fileids()]
Out[113]: 
[u'1789',
 u'1793',
 u'1797',
 u'1801',
 u'1805',
 ...
 u'1997',
 u'2001',
 u'2005',
 u'2009']

inaugural同样可以看做是一个PlaintextCorpusReader对象。

载入自己的语料库

。。。未完

总结

gutenberg、webtext和inaugural是PlaintextCorpusReader的实例对象。

PlaintextCorpusReader成员方法：

fileids()，该方法返回语料库中的文本标识列表
words(fileids)，该方法接受一个或多个文本标识作为参数，返回文本单词列表
raw(fileids)，该方法接受一个或多个文本标识为参数，返回文本原始字符串
sents(fileids)，该方法接受一个或多个文本标识为参数，返回文本中的句子列表

nps_chat是NPSChatCorpusReader的实例对象。

NPSChatCorpusReader成员方法：

fileids()，该方法返回语料库中的文本标识列表
posts(fileids)，该方法接受一个或多个文本标识作为参数，返回一个包含对话的列表，每一个对话又同时是单词的列表

brown和reuters是CategorizedTaggedCorpusReader的实例对象。

CategorizedTaggedCorpusReader成员方法：

categories()，该方法返回语料库中的类别标识
fileids(categories)，该方法接受一个或多个类别标识作为参数，返回文本标识列表
words(fileids, categories)，该方法接受文本标识或者类别标识作为参数，返回文本单词列表
sents(fileids, categories)，该方法接受文本标识或者类别标识作为参数，返回文本句子列表，句子本身是词列表

参考文献 http://www.coderjie.com/blog/0376c9eac69611e6841d00163e0c0e36

上一篇： Python中numpy模块的tile()

下一篇： Python中的numpy模块学习

推荐阅读