Python NLTK 走进大秦帝国
作者：白宁超
2016年10月17日18:54:10
摘要：NLTK是由宾夕法尼亚大学计算机和信息科学使用python语言实现的一种自然语言工具包，其收集的大量公开数据集、模型上提供了全面、易用的接口，涵盖了分词、词性标注(Part-Of-Speech tag, POS-tag)、命名实体识别(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各项 NLP 领域的功能。本文主要介绍NLTK（Natural language Toolkit）的安装和基本方法使用，以大秦帝国部分章节为语料，文本当做词链表进行操作处理，采用统计的方式深入研究作者用词的讲究；然后在使用NLTK内置方法进行统计操作。最后将部分常用功能进行总结整理。本文是系列首篇，主要介绍入门知识，关于python基础知识，可以参看【Python五篇慢慢弹】系列文章（本文原创编著，转载注明出处: Python NLTK 走进大秦帝国
目录
【Python NLP】干货！详述Python NLTK下如何使用stanford NLP工具包(1)
【Python NLP】Python 自然语言处理工具小结(2)
【Python NLP】Python NLTK 走进大秦帝国(3)
【Python NLP】Python NLTK获取文本语料和词汇资源(4)
【Python NLP】Python NLTK处理原始文本(5)
1 NLTK简介
NLTK（Natural language Toolkit）：自然语言工具包，Python编程语言实现的统计自然语言处理（NLP）工具。它是由宾夕法尼亚大学计算机和信息科学的史蒂芬-伯德和爱德华·洛珀编写的。 NLTK支持NLP研究和教学相关的领域，包括经验语言学，认知科学，人工智能，信息检索和机器学习。 在25个国家中已有 32所大学将NLTK作为教学工具。
NLTK模块及功能介绍：
1 NLTK安装
1 查看python版本
2 windows系统下载NLTK如下文件nltk-3.2.1.win32.exe，并执行exe文件，会自动匹配到python安装路径，如果没有找到路径说明nltk版本不正确，去官网选择正确版本号下载。
3 安装成功后，打开python编辑器，输入import nltk和nltk.download()下载NLTK_DATA，具体看下图，选中book，修改下载路径E:Python ltk_data，点击下载。（book包含了数据案例和内置函数）
>>> import nltk >>> nltk.download()
4 在计算机-属性-高级系统设置-高级-环境变量-系统变量-path：E:Python ltk_data
5.打开python解释器，输入form nltk.book import *，如下图表示安装成功。
6 接下来在64位win10下安装pip,numpy,scipy，下载并解压pip-8.1.2.tar.gz，win+R环境进入解压路径，安装setup.py文件，完成pip工具安装，然后配置下环境变量，yourpathPythonScripts
NLTK核心包：（包下载）
- NLTK-Data:分析和处理语言的语料库
- NumPy:科学计算库
- Matplotlib：数据可视化2D绘图库
- NetworkX：存储和操作有节点和边组成的网络结构函数库
7 通过pip工具安装numpy包，下载numpy-1.11.2+mkl-cp35-cp35m-win32.whl 进入下载路径下，输入如下指令安装。
8 通过pip工具安装Matplotlib包，下载matplotlib-1.5.3-cp35-cp35m-win32.whl进入下载路径下，输入如下指令安装。
9 通过pip工具安装scipy包，下载scipy-0.18.1-cp35-cp35m-win32.whl 进入下载路径下，输入如下指令安装。
至此，完成所有操作，根据项目需要可以下载相应的包，点击这里基本包都有了。
3 NLTK基本操作
NLTK的book模块加载所有文档
>>> import nltk
>>> from nltk.corpus import *
>>> text1
<Text: Moby Dick by Herman Melville 1851>
函数concordance搜索指定内容
函数similar查找相似上下文
函数common_contexts共用多个词汇的上下文
函数dispersion_plot离散图表示词汇分布情况
判断词在文本中的位置，从开头算起有多少词出现，可以离散图表示，每一列代表一个单词，每一行代表有个文本
>>> text4.dispersion_plot(["citizens","democracy","freedom","duties","America"])
函数len()计数词汇
>>> len(text3)
44764
词汇表排序
>>> sorted(set(text3))
词汇表大小
>>> len(set(text3))
2789
每个词平均使用次数
>>> len(text3)/len(set(text3))
16.050197203298673
特定词在文本中出现的次数
>>> text3.count("smote")
5
特定词在文本中所占的百分比
>>> 100*text4.count('a')/len(text4)
1.4643016433938312
函数计算百分比
>>> def lexical_diversity(text):
return len(text)/len(set(text))
>>> lexical_diversity(text4)
14.941049825712529
>>> lexical_diversity(text3)
16.050197203298673
>>> def percentage(count,total):
return 100 * count / total
>>> percentage(text4.count("a"),len(text4))
1.4643016433938312
索引列表
NLTK搜索函数FreqDist()
查询文本text1中词汇分布情况，诸如the使用了13721次
>>> fdist1=FreqDist(text1)
>>> fdist1
FreqDist({',': 18713, 'the': 13721, '.': 6862, 'of': 6536, 'and': 6024, 'a': 4569, 'to': 4542, ';': 4072, 'in': 3916, 'that': 2982, ...})
指定查询某个词的使用频率
>>> fdist1['whale']
906
指定常用词累积频率图
fdist1.plot(50,cumulative=True)，text1中50个常用词的累积频率图，这些词占了所有标识的将近一半
函数fdist1.hapaxes()低频词出现1次查找
细粒度查询
>>> V=set(text1)
>>> longwords=[w for w in V if len(w) > 15]
>>> sorted(longwords)
查询文本中单词长度大于7并且出现次数超过7次的
>>> sorted(w for w in set(text1) if len(w) > 7 and fdist1[w] > 7)
词语搭配个双连词
搭配：不经常在一起出现的词序列，如red wine是搭配而the wine就不是。另一个特点就是词不能被类似的词置换，如maroon wine（栗色酒）就不行
bigrams（）：获取搭配，提前文本词汇的双连词
>>> from nltk import bigrams
>>> from collections import Counter
>>> b = bigrams('This is a test')
>>> Counter(b)
双连词的搭配
>>> text4.collocations()
计算词长分布
>>> fdist=FreqDist([len(w) for w in text8])
>>> fdist
>>> fdist.keys()
词长频率统计
>>> fdist.items()
词数最多的长度
>>> fdist.max()
查找词长为3的百分比
>>> fdist.freq(3)
NLTK频率分布类中定义的函数
- fdist=FreqDist(Samples) 创建包含给定样本的频率分布
- fdist.inc(Sample) 增加样本
- fdist['monstrous'] 计数给定样本出现的次数
- fdist.freq('monstrous') 给定样本的频率
- fdist.N() 样本总数
- fdist.keys() 以频率递减顺序排序样本链表
- for sample in fdist: 以频率递减顺序遍历样本
- fdist.max() 数值最大的样本
- fdist.tabulate() 绘制频率分布表
- fdist.plot() 绘制频率分布图
- fdist.plot(cumulative=True)绘制累积频率分布图
- fdist1<fdist2 测试样本在fdist1中出现的频率是否小于fdist2
回到python：决策与控制
控制：按照我们意愿去处理关键特征
>>> sent7=['married','have','long','Seeking','country','nights','at','well','walks','home','would']
>>> [w for w in sent7 if len(w)<4]
['at']
>>> [w for w in sent7 if len(w)<=4]
['have', 'long', 'at', 'well', 'home']
>>> [w for w in sent7 if len(w)==4]
['have', 'long', 'well', 'home']
>>> [w for w in sent7 if len(w)!=4]
['married', 'Seeking', 'country', 'nights', 'at', 'walks', 'would']
共同的模式是：[w for w in text if condition]，其中condition是一个python的测试
词汇比较运算
- s.startswith(t) 测试是否t开头
- s.endswith(t) 测试是否t结尾
- t in s 测试s是否包含t
- s.islower() 测试s所有字符是否都是小写字母
- s.isupper() 测试s所有字符是否都是大写字母
- s.isalpha() 测试s所有字符是否都是字母
- s.isalnum() 测试s所有字符是否都是字母或数字
- s.isdigit() 测试s所有字符是否都是数字
- s.istitle() 测试s所有词首字母都是大写
条件：
sorted([w for w in set(text1) if w.endswith('ableness')])
sorted([term for term in set(text4) if 'gnt' in term])
sorted([item for item in set(text6) if item.istitle()])
sorted([item for item in set(text7) if item.isdigit()])
>>> sorted([w for w in set(text7) if '-' and 'index' in w ])
['Stock-index', 'index', 'index-arbitrage', 'index-fund', 'index-options', 'index-related', 'indexers', 'indexes', 'stock-index']
>>> sorted([w for w in set(text3) if w.istitle() and len(w)>11 ])
['Allonbachuth', 'Beerlahairoi', 'Chedorlaomer', 'Hazezontamar', 'Jegarsahadutha', 'Jehovahjireh', 'Peradventure', 'Zaphnathpaaneah']
>>> sorted([w for w in set(text7) if not w.islower()])
>>> sorted([w for w in set(text7) if w.islower()])
>>> sorted([w for w in set(text7) if 'cie' in w or 'cei' in w])
4 NLTK统计大秦帝国第一部词链表
下载孙皓晖先生的《大秦帝国.zip》文件，里面按照语料大小包含5个文件，分别是30852词的p1.txt、70046词的p2.txt、111970词的p3.txt、1182769词的p5.txt、419275词的p10.txt.本事了节选大秦帝国第一部673167字的dqdg.txt
打开Python编辑器，导出NLTK，并统计大秦帝国第一部共计多少字。（注：在读取文本的时候，python 3.5 IDLE 执行起来比较卡比较慢，采用pycharm就效率高很多了）
>>> with open(r"C:UserscuitbncDesktopdqdg.txt","r+") as f:
str=f.read()
查看大秦帝国第一部总共有多大的用字量，即不重复词和符合的尺寸：
>>> len(set(str))
4053
>>> len(str)/len(set(str))
166.09104367135456
实验可知用了4053个尺寸的词汇表，平均每个词使用了166次，那么常用词分布如何呢？既然是大秦帝国，那么秦字使用了多少次呢？
>>> str.count("秦")
3538
>>> str.count("大秦")
14
>>> str.count("国")
6536
可以知道，秦用词3538次，大秦用了14次，因为讲的各国之间的事情，国也是高频词6536次。如上所述大秦帝国第一部总词汇表673167，整个词汇累积分布如何？
>>> fdist=FreqDist(str)
>>> fdist.plot()
这个图横坐标表示词的序列，纵坐标表示词频。表说明词频大于5000的非常少，说明高频词不多。低频词特别多。后面进一步探究下.
看看整本书的累积分布情况如何？
分析上图我们不难发现，3万以下是低频词大于30%，高频词大于1.4%，中频占68.6%（偏低中频2万左右占29.85%，偏高中频占8.96%）
研究下高频率的1000个词情况？看看都有哪些？
>>> sorted(set(str[:1000]))
查看1000个高频词分布如何？
1000个高频的累计分布又如何？
初略估计下大于占了80%以上。频率最高的前100词的分布如何？
前100个词也就是大约0.02%的词在本书的累积分布情况怎样呢？
>>> fdist=FreqDist(str)
>>> fdist.plot(100,cumulative=True)
如图可知，前0.2%词汇占据整本书的50%以上的比例。国、旗、秦、魏、队、阅等跟战争相关词汇使用较多。那么低频词如何呢？有时候低频词也具有其特殊的研究价值。
>>> FreqDist(str).hapaxes()
统计可知大约有4053个词出现一次，占比0.6%
词语内部搭配又是如何？
>>> from collections import Counter
>>> V=Counter(str)
大秦帝国第一部用词统计
查看词汇
>>> sorted(V.keys())
查看词汇频率排名
>>> sorted(V.values())
查询词频在[0--100]的词有多少？
>>> len([w for w in V.values() if w<100])
3103
查询词频在[100--1000]的词有多少？
>>> len([w for w in V.values() if w>100 and w<1000])
819
查询词频在[1000-5000]的词有多少？
>>> len([w for w in V.values() if w>1000 and w<5000])
113
查询词频在[5000--]的词有多少？
>>> len([w for w in V.values() if w>5000])
14
双连词：
import nltk
from nltk.book import *
from nltk import bigrams
from collections import Counter
with open(r"C:UserscuitbncDesktopdqdg.txt","r") as f:
str=f.read()
V=bigrams(str)
W=Counter(V)
print(W)
结果
5 自动理解自然语言
词意消歧
看下面歧义的句子：词意消歧就是分析出特定上下文的词被赋予的哪个意思。
- 1.川大学生上网成瘾如患绝症。歧义在于“川大学生”（1）四川大学的学生（2）四川的大学生
- 2.两代教授，人格不同。歧义：“两代”（1）两位代理教授（2）两个时代的教授
- 3.被控私分国有资产，专家总经理成了被告人。歧义：“专家总经理”（1）专家和总经理（2）有专家身份的总经理
- 4.新生市场苦熬淡季。歧义：“新生”（1）新学生的市场（2）新产生的市场
- 5.朝鲜十年走近国际社会一步。歧义：“十年走近国际社会一步”（1）每十年就向国际社会走近一步（2）最近十年间向国际社会走近了一步
- 6.新汽车牌照。歧义：“新”（1）新的汽车（2）新的牌照
- 7.咬死了猎人的狗。歧义：（1）猎人的狗被咬死了（2）把猎人咬死了的那条狗
- 8.菜不热了。歧义：“热”（1）指菜凉了（2）指菜不加热了
- 9.还欠款四万元。歧义：“还”（1）读huai（2）读hai
- 10.北京人多。歧义：（1）北京/人多（2）北京人/多
指代消解
指代消解是解决“谁对谁做了 什么”，处理如上所述自然语言的问题，下面看看例子
- （1）美国政府表示仍然支持强势美元，但这到底只是嘴上说说还是要采取果断措施，经济学家对此的看法是否定的。
- （2）今天老师又在班会上表扬了自己，但是我觉得还需要继续努力。
- （3）三妹拉着葛姐的手说，她老家在偏远的山区，因为和家里赌气才跑到北京打工的，接着她又哭泣起自己的遭遇来。
- （4）当他把证书发给小钱时，他对他笑了。
- （5）小明和肖华去公园玩,他摔了一跤,他急忙把他扶起来.
- （6）星期天,小雨和小英到田老师家补习功课,她一早就打电话给她约好在红旗饭店吃早餐.
未完待续...