NLTK学习之一：简单文本分析

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

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()

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。

方法	作用
Text(words)	对象构造
concordance(word, width=79, lines=25)	显示word出现的上下文
common_contexts(words)	显示words出现的相同模式
similar(word)	显示word的相似词
collocations(num=20, window_size=2)	显示最常见的二词搭配
count(word)	word出现的词数
dispersion_plot(words)	绘制words中文档中出现的位置图
vocab()	返回文章去重的词典

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

方法	作用
nltk.text.TextCollection([text1,text2,])	对象构造
idf(term)	计算词term在语料库中的逆文档频率，即$log\frac{总文章数}{文中出现term的文章数}$
tf(term,text)	统计term在text中的词频
tf_idf(term,text)	计算term在句子中的tf_idf,即tf*idf

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))

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')

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

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'])

输出如下：

>>> 爷爷奶奶_生活 在_时

下面看下文章常用的二词搭配

text.collocations()

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

查看关心的词在文中出现的位置

text.dispersion_plot([u'校园',u'大学'])

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。

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

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)

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：

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

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

方法明	说明
fileids()	返回语料库中文件名列表
fileids[categories]	返回指定类别的文件名列表
raw(fid=[c1,c2])	返回指定文件名的文本字符串
raw(catergories=[])	返回指定分类的原始文本
sents(fid=[c1,c2])	返回指定文件名的语句列表
sents(catergories=[c1,c2])	按分类返回语句列表
words(filename)	返回指定文件名的单词列表
words(catogories=[])	返回指定分类的单词列表

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'