标签：word color tag return 邮件 limit 对象 方法 dlx
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 file_path = r"SMSSpamCollection" sms = open(file_path, ‘r‘, encoding=‘utf-8‘) data = csv.reader(sms, delimiter="\t") for r in data: print(r) sms.close()
读取数据结果：
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__
查看结果：
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
import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer import csv def preprocessing(text): tokens = [] for sent in nltk.sent_tokenize(text): # 对录入的文本按照句子进行分割; for word in nltk.word_tokenize(sent): # 对句子进行分词； tokens.append(word) # 或者写为： # tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 去除停用词 stops = stopwords.words("english") tokens = [token for token in tokens if token not in stops] # 词性标注 nltk.pos_tag(tokens) # 词性还原 lemmatizer = WordNetLemmatizer() # 定义还原对象 tokens = [lemmatizer.lemmatize(token, pos=‘n‘) for token in tokens] # 名词 tokens = [lemmatizer.lemmatize(token, pos=‘v‘) for token in tokens] # 动词 tokens = [lemmatizer.lemmatize(token, pos=‘a‘) for token in tokens] # 形容词 return tokens # 返回处理完成后的文本 sms = open("SMSSpamCollection", ‘r‘, encoding=‘utf-8‘) # 数据读取 sms_data = [] sms_label = [] csv_reader = csv.reader(sms, delimiter=‘\t‘) for line in csv_reader: # 预处理 sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) sms.close() print("标题内容：", sms_label) # 标题 print("处理后内容：") # 处理后的邮件内容 for line in sms_data: print(line)
预处理结果：
标签：word color tag return 邮件 limit 对象 方法 dlx
原文地址：https://www.cnblogs.com/wh008/p/12922738.html
