一、前言
自然語言是指人類相互交流的語言，而自然語言處理是將數(shù)據(jù)以可理解的形式進行預處理，使計算機能夠理解的一種方法。簡單地說，自然語言處理(NLP)是幫助計算機用自己的語言與人類交流的過程。
自然語言處理是最廣泛的研究領域之一。許多大公司在這個領域投資很大。NLP為公司提供了機會，讓他們能夠根據(jù)消費者的情緒和文本很好地了解他們。NLP的一些最佳用例是檢測假電子郵件、對假新聞進行分類、情感分析、預測你的下一個單詞、自動更正、聊天機器人、個人助理等等。
解決任何NLP任務前要知道的7個術語
標記：它是將整個文本分割成小標記的過程。占卜是根據(jù)句子和單詞兩個基礎來完成的。
text = "Hello there, how are you doing today? The weather is great today. python is awsome"
##sentece tokenize (Separated by sentence)
['Hello there, how are you doing today?', 'The weather is great today.', 'python is awsome']
##word tokenizer (Separated by words)
['Hello', 'there', ',', 'how', 'are', 'you', 'doing', 'today', '?', 'The', 'weather', 'is', 'great', 'today', '.','python', 'is', 'awsome']
停止詞：一般來說，這些詞不會給句子增加太多的意義。在NLP中，我們刪除了所有的停止詞，因為它們對分析數(shù)據(jù)不重要。英語中總共有179個停止詞。
詞干提?。核峭ㄟ^去掉后綴和前綴將一個單詞還原為詞根的過程。
詞形還原：它的工作原理與詞干法相同，但關鍵的區(qū)別是它返回一個有意義的單詞。主要是開發(fā)聊天機器人、問答機器人、文本預測等。
WordNet：它是英語語言名詞、動詞、形容詞和副詞的詞匯數(shù)據(jù)庫或詞典，這些詞被分組為專門為自然語言處理設計的集合。
詞性標注：它是將一個句子轉換為一個元組列表的過程。每個元組都有一個形式(單詞、標記)。這里的標簽表示該單詞是名詞、形容詞還是動詞等等。
text = 'An sincerity so extremity he additions.'
--------------------------------
('An', 'DT'), ('sincerity', 'NN'), ('so', 'RB'), ('extremity', 'NN'), ('he', 'PRP'), ('additions', 'VBZ')]
詞袋：它是一個將文本轉換成某種數(shù)字表示的過程。比如獨熱編碼等。
sent1 = he is a good boy
sent2 = she is a good girl
|
|
girl good boy
sent1 0 1 1
sent2 1 0 1
現(xiàn)在，讓我們回到我們的主題，看看可以幫助您輕松預處理數(shù)據(jù)的庫。
二、NLTK
毫無疑問，它是自然語言處理最好和使用最多的庫之一。NLTK是自然語言工具包的縮寫。由Steven Bird 和Edward Loper開發(fā)的。它帶有許多內置的模塊，用于標記化、詞元化、詞干化、解析、分塊和詞性標記。它提供超過50個語料庫和詞匯資源。
安裝:?pip install nltk?
讓我們使用NLTK對給定的文本執(zhí)行預處理
import nltk
#nltk.download('punkt')
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer
import re
ps = PorterStemmer()
text = 'Hello there,how are you doing today? I am Learning Python.'
text = re.sub("[^a-zA-Z0-9]"," ",text)
text = word_tokenize(text)
text_with_no_stopwords = [ps.stem(word) for word in text if word not in stopwords.words('english')]
text = " ".join(text_with_no_stopwords)
text
-----------------------------------------------OUTPUT------------------------------------
'hello today I learn python'
三、TextBlob
Textblob是一個簡化的文本處理庫。它提供了一個簡單的API，用于執(zhí)行常見的NLP任務，如詞性標記、情感分析、分類、翻譯等。
安裝:?pip install textblob?
四、spacy
這是python中最好用的自然語言處理庫之一，它是用cpython編寫的。它提供了一些預訓練的統(tǒng)計模型，并支持多達49種以上的語言進行標記化。它以卷積神經(jīng)網(wǎng)絡為特征，用于標記、解析和命名實體識別。
安裝:?pip install spacy?
import spacy
nlp = spacy.load('en_core_web_sm')
text = "I am Learning Python Nowdays"
text2 = nlp(text)
for token in text2:
print(token,token.idx)
------------------------------OUTPUT-----------------------
I 0
am 2
Learning 5
Python 14
Nowdays 21
五、Gensim
它是一個Python庫，專門用于識別兩個文檔之間的語義相似性。它使用向量空間建模和主題建模工具包來尋找文檔之間的相似之處。它是設計用來處理大型文本語料庫的算法。
安裝:?pip install gensim?
六、CoreNLP
Stanford CoreNLP的目標是簡化對一段文本應用不同語言工具的過程。這個庫運行速度非?？?，并且在開發(fā)中工作得很好。
安裝:?pip install stanford-corenlp?
到此這篇python處理自然語言的文章就介紹到這了,更多Python學習內容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關文章。
