NLTK学习笔记(三):NLTK的一些工具

主要总结一下简单的工具：条件频率分布、正则表达式、词干提取器和归并器。

---

条件分布频率

《自然语言学习》很多地方都用到了条件分布频率，nltk提供了两种常用的接口：FreqDist 和 ConditionalFreqDist 。后面很多都会用到这两种方法，特别是第二个。因为第二个更符合定义，会智能的找到条件。
然后根据绘图的库，可以做出来很漂亮的图形。

简单的FreqDist

函数接收list类型的参数后，会自动创建字典，生成对应的值为键值，而value就是元素的次数。

from nltk import *
tem = ["hello","world","hello","dear"]
print(FreqDist(tem))

out:
FreqDist({"dear": 1, "hello": 2, "world": 1})

通过 plot(TopK,cumulative=True) 和 tabulate() 可以绘制对应的折线图和表格（必须安装matplotlib库）

条件分布ConditionalFreqDist

以一个配对链表作为输入，需要给分配的每个事件关联一个条件，输入时类似于 (条件,事件) 的元组。之后的工作交给nltk就可以了，更多的精力可以用来关注上层逻辑。

import nltk
from nltk.corpus import brown
cfd = nltk.ConditionalFreqDist((genre,word) for genre in brown.categories() for word in brown.words(categories=genre))
print("conditions are:",cfd.conditions()) #查看conditions
print(cfd["news"])
print(cfd["news"]["could"])#类似字典查询

out:
conditions are: ["adventure", "belles_lettres", "editorial", "fiction", "government", "hobbies", "humor", "learned", "lore", "mystery", "news", "religion", "reviews", "romance", "science_fiction"]
<FreqDist with 14394 samples and 100554 outcomes>
86

尤其对于plot() 和 tabulate() 有了更多参数选择：

• conditions：指定条件
• samples：迭代器类型，指定取值范围
• cumulative：设置为True可以查看累积值

cfd.tabulate(conditions=["news","romance"],samples=["could","can"])
cfd.tabulate(conditions=["news","romance"],samples=["could","can"],cumulative=True)

        could   can 
news    86    93 
romance   193    74 

        could   can 
news    86   179 
romance   193   267 

---

正则表达式及其应用

记录正则表达式在自然语言中的应用。

输入法联想提示（9宫格输入法）

查找类似于hole和golf序列（4653）的单词。

import re
from nltk.corpus import words
wordlist = [w for w in words.words("en-basic") if w.islower()]
same = [w for w in wordlist if re.search(r"^[ghi][mno][jlk][def]$",w)]
print(same)

只用键盘的一部分搜索就是手指绕口令。例如：^[ghijklmno]+$等。像[^aeiouAEIOU]就是匹配除元音外的所有字母。

寻找字符块

查找两个或两个以上的元音序列，并且确定相对频率。

import nltk
wsj = sorted(set(nltk.corpus.treebank.words()))
fd = nltk.FreqDist(vs for word in wsj for vs in re.findall(r"[aeiou]{2,}",word))
fd.items()

而且，我们也可以辅音元音序列。

查找词干

apples和apple对比中，apple就是词干。写一个简单脚本来查询词干。

def stem(word):
    for suffix in ["ing","ly","ed","ious","ies","ive","es","s","ment"]:
        if word.endswith(suffix):
            return word[:-len(suffix)]
    return None

而使用正则表达式，只需要一行：

re.findall(r"^(.*?)(ing|ly|ed|ious|ies|ive|es|s|ment)$",word)

---

词干提取器和归并器

nltk提供了PorterStemmer 和 LancasterStemmer两个词干提取器，Porter比较好，可以处理lying这样的单词。

porter = nltk.PorterStemmer()
print(porter.stem("lying"))

如果需要处理women这样的词，需要词性归并器：WordNetLemmatizer

wnl = nltk.WordNetLemmatizer()
print(wnl.lemmatize("women"))

利用词干提取器实现索引文本(concordance)

利用到nltk.Index这个函数，nltk.Index((word , i) for (i,word) in enumerate(["a","b","a"]))

class IndexText:
    def __init__(self,stemmer,text):
        self._text = text
        self._stemmer = stemmer
        self._index = nltk.Index((self._stem(word),i) for (i,word) in enumerate(text))
    def _stem(self,word):
        return self._stemmer.stem(word).lower()
    def concordance(self,word,width =40):
        key = self._stem(word)
        wc = width/4 #words of context
        for i in self._index[key]:
            lcontext = " ".join(self._text[int(i-wc):int(i)])
            rcontext = " ".join(self._text[int(i):int(i+wc)])
            ldisplay = "%*s" % (width,lcontext[-width:])
            rdisplay = "%-*s" % (width,rcontext[:width])
            print(ldisplay,rdisplay)
porter = nltk.PorterStemmer()
grail = nltk.corpus.webtext.words("grail.txt")
text = IndexText(porter,grail)
text.concordance("lie")