原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
用Python进行自然语言处理（一）2014.07.27语言计算：文本和单词，NLTK入门首先应该安装NLTK，可以从官网免费下载，按照说明下载适合你的操作系统的版本。安装完NLTK之后，启动IDLE(Python GUI)，输入下面两行命令，然后选择book，如图所示：一旦数据nltk_data下载到你的计算机，输入命令加载所有数据，如图所示：搜索文本以下开始介绍研究文本内容的方法，词语索引视图显示一个指定单词的每一次出现，连同上下文一起显示，查一下text1中的monstrous。如图所示：我们可以通过在被查询的文本名后添加函数similar，然后在括号中插入相关的词来查找相似的词。如图所示在这个过程中，你可能会重复输入相似的命令，可以使用快捷键Alt+P，或者将鼠标光标放置在重复的命令行出，然后press键Enter，就会实现重复输入。函数common_contexts允许我们研究两个或两个以上的次共同的上下文，如图所示：判断词在文本中的位置，从文本开头算起在它前面有多少次，这个位置信息可以用离散图表示，可以用来研究随时间推移语言使用上的变化，如图所示：产生一些随机文本，第一次运行此命令时，由于要搜集词序列的统计信息而执行的比较慢，每次运行它，输出的文本都会不同。而当前使用版本却不支持generate()。计数词汇使用len来获取文本从头到尾的长度，如图所示：使用set命令获得text8的词汇表，因为text8的文本长度最新，计算机运行速度较快，所以选择text8作为示例。如图所示：用sorted包裹起表达式set()，我们得到一个词汇项的排序表，这个表以各种标点符号开始，大写单词排在消协单词的前面，如图所示：现在我们队文本词汇丰富度进行测量，下图展示每个字平均被使用了4次，显示浮点除法不可用。计数一个词在文本中出现的次数：计算一个特定的次在文本中占据的百分比：定义新的函数：频率分布使用FreqDist寻找text8中最常见的40个词，通过切片查看这个联邦的前40项，我们可以产生一个这些词汇的累积频率图，使用以下命令产生：细粒度的选择词对于词汇表V中的每一个词w，我们检查其长度是否大于15，所以其他词汇将被忽略。使用以下命令查找所以长度超过7个字符出现次数超过7次的词：词语搭配和双连词要获取搭配，先从提取文本词汇中的词对，也就是双连词，使用函数bigrams实现，使用collocations()找到频繁出现的双连词：计数其他东西查看文本中词长的分布：可以看出该文本包含由1个字符，2个字符，14个字符组成的词，没有超过15个字符以上的词，可以得到长度为6的词出现的频率：回到Python：决策与控制下面是一些用来从文本中选择词汇的运算符的例子，以“ness”结尾的词，包含“ing”的词，完全由数字组成的词：对每个元素进行操作：回到计数词汇的问题，不重复计数像This和this这样仅仅大小写不同的词，就从词汇表中抹去了近300个词，还可以过滤掉所有非字母原始，从词汇表中消除数字和标点符号：机器翻译人机对话
文档评论（0）