标签:inf 使用 用户目录 目录 邮件 mic 密码 page str
1. 读邮件数据集文件,提取邮件本身与标签。
列表
numpy数组
import csv filepath = r"C:\Users\25186\PycharmProjects\task1\data\SMSSpamCollection" sms = open(filepath, ‘r‘, encoding=‘utf-8‘) # 以流形式读取邮件数据集 csv_reader = csv.reader(sms, delimiter=‘\t‘) for line in csv_reader: print(line) sms.close() # 关闭读取流
读取数据集结果:
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__
查看版本号:
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。
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
# -*- coding:utf-8 -*-
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) # 对文本按照句子进行分割 for word in nltk.word_tokenize(sent) # 对句子进行分词 ] # print("去掉停用词前:",len(tokens)) # 处理停用词 stops = stopwords.words("english") # 构建停用器 tokens = [token for token in tokens if token not in stops] # print("去掉停用词后:",len(tokens)) # 词性标注 nltk.pos_tag(tokens) # Lemmatisation(词性还原) lemmatizer = WordNetLemmatizer() # 定义还原对象 tokens = [lemmatizer.lemmatize(token, pos=‘n‘) for token in tokens] # 还原成名词 tokens = [lemmatizer.lemmatize(token, pos=‘v‘) for token in tokens] # 还原成动词 tokens = [lemmatizer.lemmatize(token, pos=‘a‘) for token in tokens] # 还原成形容词 return tokens # 返回处理结果 filepath = r"C:\Users\25186\PycharmProjects\task1\data\SMSSpamCollection" sms = open(filepath, ‘r‘, encoding=‘utf-8‘) # 以流形式读取邮件数据集 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: # print(line) sms_label.append(line[0]) # 标题 sms_data.append(preprocessing(line[1])) # 每封邮件进行预处理的结果 sms.close() # 关闭读取流 print("标题内容:\n", sms_label) # 标题 print("处理后的邮件内容:") # 处理后的邮件内容 for line in sms_data: print(line)
预处理结果如下:
3. 训练集与测试集
4. 词向量
5. 模型
标签:inf 使用 用户目录 目录 邮件 mic 密码 page str
原文地址:https://www.cnblogs.com/Azan1999/p/12905417.html