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 sms = open("data/SMSSpamCollection","r",encoding='utf-8') csv_reader = csv.reader(sms,delimiter=" ") for line in csv_reader: print(line) sms.close()
2.邮件预处理
- 邮件分句
- 名子分词
- 去掉过短的单词
- 词性还原
- 连接成字符串
- 传统方法来实现
- nltk库的安装与使用
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__
2.1 nltk库 分词
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
2.2 punkt 停用词
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:UsersAdministratorAppDataRoaming ltk_data okenizers并解压。
2.3 NLTK 词性标注
nltk.pos_tag(tokens)
2.4 Lemmatisation(词性还原)
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。
2.5 编写预处理函数
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 nltk.download() 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("data/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=' ') # 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: ", sms_label) # 标题 print("data内容:") # 处理后的邮件内容 for i in sms_data: print(i)