在 NLTK 中提取非结构化文本

Question

我尝试了正则表达式词干分析器，但我得到了数百个不相关的标记。我只是对“玩”词干感兴趣。这是我正在使用的代码：

import nltk
from nltk.book import *
f = open('tupac_original.txt', 'rU')
text = f.read()
text1 = text.split()
tup = nltk.Text(text1)
lowtup = [w.lower() for w in tup if w.isalpha()]
import sys, re
tupclean = [w for w in lowtup if not w in nltk.corpus.stopwords.words('english')]
from nltk import stem
tupstem = stem.RegexpStemmer('az$|as$|a$')
[tupstem.stem(i) for i in tupclean] 

上面的结果是；

['like', 'ed', 'young', 'black', 'like'...]

我正在尝试清理.txt 文件（全部小写，删除停用词等），将一个单词的多个拼写规范化为一个并进行频率分布/计数。我知道怎么做FreqDist，但是关于我在哪里做词干有什么建议吗？

Answer 1

NLTK 中有几个预编码的知名词干分析器，请参阅http://nltk.org/api/nltk.stem.html，下面显示了一个示例。

>>> from nltk import stem
>>> porter = stem.porter.PorterStemmer()
>>> lancaster = stem.lancaster.LancasterStemmer()
>>> snowball = stem.snowball.EnglishStemmer()
>>> tokens =  ['player', 'playa', 'playas', 'pleyaz'] 
>>> [porter(i) for i in tokens]
>>> [porter.stem(i) for i in tokens]
['player', 'playa', 'playa', 'pleyaz']
>>> [lancaster.stem(i) for i in tokens]
['play', 'play', 'playa', 'pleyaz']
>>> [snowball.stem(i) for i in tokens]
[u'player', u'playa', u'playa', u'pleyaz']

但您可能需要某种正则表达式词干分析器，

>>> from nltk import stem
>>> rxstem = stem.RegexpStemmer('er$|a$|as$|az$')
>>> [rxstem.stem(i) for i in tokens]
['play', 'play', 'play', 'pley']