标签：isa color ade stop sms 传统 str packages 训练
1. 读邮件数据集文件，提取邮件本身与标签。
列表
numpy数组
2.邮件预处理
pip install nltk
import nltk
nltk.download() # sever地址改成 http://www.nltk.org/nltk_data/
或
https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。
将Packages文件夹改名为nltk_data。
或
网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew 提取码：o5ea
放在用户目录。
----------------------------------
安装完成，通过下述命令可查看nltk版本：
import nltk
print nltk.__doc__
nltk.sent_tokenize(text) #对文本按照句子进行分割
nltk.word_tokenize(sent) #对句子进行分词
from nltk.corpus import stopwords
stops=stopwords.words(‘english‘)
*如果提示需要下载punkt
nltk.download(‘punkt’)
或 下载punkt.zip
https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ 密码：mema
复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。
在下载的Packages中就有punkt的压缩包，解压即可使用。
nltk.pos_tag(tokens)
from nltk.stem import WordNetLemmatizer lemmatizer = WordNetLemmatizer() lemmatizer.lemmatize(‘leaves‘) #缺省名词 lemmatizer.lemmatize(‘best‘,pos=‘a‘) lemmatizer.lemmatize(‘made‘,pos=‘v‘)
一般先要分词、词性标注，再按词性做词性还原。
def preprocessing(text):
sms_data.append(preprocessing(line[1])) #对每封邮件做预处理
3. 训练集与测试集
4. 词向量
5. 模型
import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer import csv #邮件预处理 def preprocessing(text): # 分词 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 停用词 stops=stopwords.words("english") # 构建停用器 tokens = [token for token in tokens if token not in stops] # 词性标注 nltk.pos_tag(tokens) # 词性还原Lemmatisation lemmatizer=WordNetLemmatizer() # 定义还原对象 tokens=[lemmatizer.lemmatize(token, pos=‘n‘)for token in tokens] # 名词还原 tokens=[lemmatizer.lemmatize(token, pos=‘v‘)for token in tokens] # 动词还原 tokens=[lemmatizer.lemmatize(token, pos=‘a‘)for token in tokens] # 形容词还原 return tokens # 返回处理结果 sms = open("SMSSpamCollection", ‘r‘, encoding=‘utf-8‘) # 数据读取 sms_data = [] # 邮件内容 sms_label = [] # 邮件标题 csv_reader = csv.reader(sms, delimiter=‘\t‘) # 对每封邮件进行预处理 for line in csv_reader: sms_label.append(line[0]) # 获取标题 sms_data.append(preprocessing(line[1])) # 获取处理后邮件数据 sms.close() # 关闭读取流 print("lable内容：\n", sms_label) # 标题 print("data内容：") # 处理后的邮件内容 for i in sms_data: print(i)
标签：isa color ade stop sms 传统 str packages 训练
原文地址：https://www.cnblogs.com/a131452/p/12904720.html
