自然语言处理（二） | Python对文本的简单处理
嘿，朋友，我们又见面了。
我是Hertz。
今天将接续上一篇《自然语言处理》，
为大家继续介绍一些用Python处理文本的方法。
NLP主要是对文本的处理。在更深的应用中，我们可以根据我们的需要，去处理我们想要处理的文本（比如上次提到的“购物网站中的买家评论”）。而在开始的时候，我们一般使用NLTK中提供的语料进行练习；NLTK不仅提供文本处理的工具，而且提供了一些文本材料。
在我们已经下载的\nltk-3.2.1\nltk文件夹中，有一个book.py的模块。在Python命令窗口使用“from nltk.book import *”命令，可以导入该模块提供的文本；包括9本名著和9个句子。如下所示：
从结果中我们可以看到，9本名著的名字分别是text1~text9，9个句子的名字分别是sent1~sent9。在操作命令中，我们将使用这些名字来指代相应的文本，以对其进行处理。
下面的内容是对一些方法或函数的介绍，
分为两个层面：文本层面和词汇层面。
首先，在文本层面，哪些方法可以完成以下任务：
1.在一段文本中，找出某个词语所在的上下文；
2.找出与某个词有着类似用法的词，并确定它们在文本中出现的语境；
3.在整个文本中，某个词或某些词在文本中是怎样分布的；
在2. 和3. 中，我们要处理的可能是多个词语（“它们”“某些词”）。如果有一定Python基础，那么不难猜到，我们可以用一个字符串来表示单个词语；对多个词语，我们需要用一个链表来表示。一个链表由一个英文方括号“[]”界定，方括号内的内容为有限个（可以为零个）有序的字符串（词语或其他符号），各个字符串之间用逗号分隔。可以试着执行：
得到的就是一个链表。
下面来介绍这些任务的意义。
某一些词汇的上下文可能能够给我们提供一些有价值的信息。text3是《创世纪》（The Book of Genesis），如果我们想知道《创世纪》中的一些角色活了多久，那么我们可以通过对“lived”这个词进行1. 操作，以得到相关信息。操作如下：
“concordance”是text类（可参考Python中“类”的概念）的一个方法（或函数；这里不对二者作区分），在后面的括号中以字符串的形式输入我们想要查找的词语，就可以得到其上下文。
相似地，可以用如下代码完成2. 任务：
执行第一行代码得到的结果是在text2这个文本——《理智与情感》（Sense and Sensibility）——中，与“monstrous”这个词有着相似用法的词；在第二行代码中，我们使用了“common_contexts”这个方法（中间的“_”符号相当于函数名中出现的连字符），得到的是圆括号中的词链表中两个词语共同的上下文。
第3. 个任务看起来更实用；我们可以将结果以分布图的形式输出。这时我们需要用到两个程序包：NumPy和Matplotlib。（可以到http://www.nltk.org/上进行安装，也可以到http://pan.baidu.com/s/1slSsSsH直接下载。）
通过执行代码（以由人名组成的链表为参数）：
我们可以得到，整部小说中，这四位主人公大致的出场分布。现在，如果告诉你，四个人中有两人是夫妻，那么没有读过这部小说的读者也可以根据得到的分布图猜一下，这两个人是谁。
接下来介绍一些词汇层面的处理方法。
这里简单说三种：len(), set(), sorted(), count()。（明确一下：这里讲“词汇层面”并不意味着这三种方法处理的对象是词汇，而是指应用这三种方法时，我们的目的与整个文本的语境基本无关。）
len()的参数可以是text或sent（或链表；下同），处理得到的结果是这段文本或这个链表的长度，即所含词语及其它符号的数量（词语或其它符号若重复出现，将被重复计数；区别于“词汇量”）。需要注意的是，在计数过程中，标点符号（如逗号’,’）会被单独计数；而’.”’这样“句号加右双引号”的组合，会被计为一个符号。例：
set()和sorted()的参数同样是text或sent。set()可将作为参数的文本（text或sent；下同）中出现的所有词语或其他字符不重复地以链表的形式输出，相当于输出一个乱序的词汇表；而sorted()经常与set()搭配使用，相信你已经猜到它的作用了：将作为参数的文本按默认顺序排列。
这样，使用如下代码，就可得到一个文本所用的词汇表了（以text2，《理智与情感》为例；词汇表中包含除字母单词外的其他符号）：
将以上三种函数配合使用，可以开发出更多考查文本属性的函数。
那么，如何计算一段文本的词汇多样性？
（注：可以用每个词汇出现的平均次数来衡量。）
count()方法的参数，
是字符串形式的词语。
如：
得到的是“monstrous”这个词在text2中出现的频次。
结合前面的介绍，不难算出这个词在该文本中出现的频率。当然，对频次和频率的统计，我们有更加方便的方法（nltk内置的FreqDist()函数），在这里暂不作介绍，在得到更丰富的文本材料后，我们将用这个函数和另一个有关频率分布的函数，完成更多有意义的操作。
(备注：对text1~9和sent1~9，我们可以像操作序列那样，进行索引、切片和遍历。)
联系我们
项目邮箱（@iGuo 的邮箱）：zhangguocpp@163.com
申请加入项目，请联系人事负责人@Suri ：liuxiaomancpp@163.com
文/Hertz 吃货A
排版/吃货A
【声明】
本文著作权归作者所有
如需转载请联系我们获得授权