发表于:5天前阅读:54
本系列博客为学习《用python进行自然语言处理》一书的学习笔记。
古腾堡语料库古腾堡语料库主要包含一些文学书籍。
先看一个例子，查看古腾堡语料库包含的文本名称：
import nltk from nltk.corpus import gutenberg print(gutenberg.fileids())输出如下：
['austen-emma.txt', 'austen-persuasion.txt', 'austen-sense.txt', 'bible-kjv.txt', 'blake-poems.txt', 'bryant-stories.txt', 'burgess-busterbrown.txt', 'carroll-alice.txt', 'chesterton-ball.txt', 'chesterton-brown.txt', 'chesterton-thursday.txt', 'edgeworth-parents.txt', 'melville-moby_dick.txt', 'milton-paradise.txt', 'shakespeare-caesar.txt', 'shakespeare-hamlet.txt', 'shakespeare-macbeth.txt', 'whitman-leaves.txt']gutenberg是NLTK预先帮我们加载的语料库，我们可以把gutenberg看做是一个PlaintextCorpusReader对象。
PlaintextCorpusReader::fileids()：该方法返回语料库中的文本标识列表。
PlaintextCorpusReader::words(fileids)：该方法接受一个或多个文本标识作为参数，返回文本单词列表。
emma = gutenberg.words("austen-emma.txt") print(emma)结果为：
['[', 'Emma', 'by', 'Jane', 'Austen', '1816', ']', ...]PlaintextCorpusReader::raw(fileids)：该方法接受一个或多个文本标识为参数，返回文本原始字符串。
emma_str = gutenberg.raw("austen-emma.txt") print(emma_str)结果为：
'[Emma by Jane Austen 1816]\n\nVOLUME I\n\nCHAPTER I\n\n\nEmma Woodhouse, ...'PlaintextCorpusReader::sents(fileids)：该方法接受一个或多个文本标识为参数，返回文本中的句子列表。
emma_sents = gutenberg.sents("austen-emma.txt") print(emma_sents)结果为：
[['[', 'Emma', 'by', 'Jane', 'Austen', '1816', ']'], ['VOLUME', 'I'], ...] 网络文本语料库网络文本语料库中包括火狐交流论坛、加勒比海盗电影剧本、以及葡萄酒评论等等。
from nltk.corpus import webtext print(webtext.fileids())结果为：
['firefox.txt', 'grail.txt', 'overheard.txt', 'pirates.txt', 'singles.txt', 'wine.txt']webtext同样可以看做是一个PlaintextCorpusReader对象。
就职演说语料库该语料库是55个文本的集合，每个文本都是一个总统的演说。这个集合的有趣特性是它的时间维度。
from nltk.corpus import inauguralinaugural同样可以看做是一个PlaintextCorpusReader对象。
print(inaugural.fileids())结果为：
['1789-Washington.txt', '1793-Washington.txt', '1797-Adams.txt', '1801-Jefferson.txt', '1805-Jefferson.txt', '1809-Madison.txt', '1813-Madison.txt', '1817-Monroe.txt', '1821-Monroe.txt', '1825-Adams.txt', '1829-Jackson.txt', ...] 即时消息聊天会话语料库语料库被分成15个文件，每个文件包含几百个按特定日期和特定年龄的聊天室收集的帖子，例如：10-19-20s_706posts.xml包含2006年10月19日从20多岁聊天室收集的706个帖子。
from nltk.corpus import nps_chat print(nps_chat.fileids())结果为：
['10-19-20s_706posts.xml', '10-19-30s_705posts.xml', '10-19-40s_686posts.xml', '10-19-adults_706posts.xml', '10-24-40s_706posts.xml', '10-26-teens_706posts.xml', '11-06-adults_706posts.xml', '11-08-20s_705posts.xml', '11-08-40s_706posts.xml', '11-08-adults_705posts.xml', '11-08-teens_706posts.xml', '11-09-20s_706posts.xml', '11-09-40s_706posts.xml', '11-09-adults_706posts.xml', '11-09-teens_706posts.xml']nps_chat可以看做是一个NPSChatCorpusReader对象。
NPSChatCorpusReader::fileids()：该方法返回语料库中的文本标识列表。
NPSChatCorpusReader::posts(fileids)：该方法接受一个或多个文本标识作为参数，返回一个包含对话的列表，每一个对话又同时是单词的列表。
chat_room = nps_chat.posts('10-19-30s_705posts.xml') print(chat_room)结果为：
[['U11', 'lol'], ['lol', 'U11'], ['wb', 'U9'], ...] 布朗语料库布朗语料库是一个百万词级的英语电子语料库，这个语料库包含500个不同来源的文本，按照文体分类，如：新闻、社论等。我们可以先看看布朗语料库中包含哪些类别：
from nltk.corpus import brown print(brown.categories())结果为：
['adventure', 'belles_lettres', 'editorial', 'fiction', 'government', 'hobbies', 'humor', 'learned', 'lore', 'mystery', 'news', 'religion', 'reviews', 'romance', 'science_fiction']brown可以看做是一个CategorizedTaggedCorpusReader对象。
CategorizedTaggedCorpusReader::categories()：该方法返回语料库中的类别标识。
CategorizedTaggedCorpusReader::fileids(categories)：该方法接受一个或多个类别标识作为参数，返回文本标识列表。
print(brown.fileids(['news', 'lore']))结果为：
['ca01', 'ca02', 'ca03', 'ca04', 'ca05', 'ca06', 'ca07', 'ca08', 'ca09', 'ca10', 'ca11', 'ca12', ...]CategorizedTaggedCorpusReader::words(fileids, categories)：该方法接受文本标识或者类别标识作为参数，返回文本单词列表。
news = brown.words(categories='news') print('news: ', news) ca02 = brown.words(fileids='ca02') print('ca02: ', ca02)结果为：
news: ['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', ...] ca02: ['Austin', ',', 'Texas', '--', 'Committee', 'approval', ...]CategorizedTaggedCorpusReader::sents(fileids, categories)：该方法接受文本标识或者类别标识作为参数，返回文本句子列表，句子本身是词列表。
路透社语料库路透社语料库包含10,788个新闻文档，共计130万字。文档被分成了90个主题，按照训练和测试分为两组。路特社语料库中的类别是项目重叠的，因为新闻报道往往涉及多个主题。
from nltk.corpus import reutersreuters也可以看做是一个CategorizedTaggedCorpusReader对象。
print(reuters.categories())结果为：
['acq', 'alum', 'barley', 'bop', 'carcass', 'castor-oil', 'cocoa', 'coconut', 'coconut-oil', 'coffee', 'copper', 'copra-cake', 'corn', 'cotton', 'cotton-oil', 'cpi', 'cpu', 'crude', ...] 总结gutenberg、webtext和inaugural是PlaintextCorpusReader的实例对象。
PlaintextCorpusReader成员方法：
fileids()，该方法返回语料库中的文本标识列表 words(fileids)，该方法接受一个或多个文本标识作为参数，返回文本单词列表 raw(fileids)，该方法接受一个或多个文本标识为参数，返回文本原始字符串 sents(fileids)，该方法接受一个或多个文本标识为参数，返回文本中的句子列表nps_chat是NPSChatCorpusReader的实例对象。
NPSChatCorpusReader成员方法：
fileids()，该方法返回语料库中的文本标识列表 posts(fileids)，该方法接受一个或多个文本标识作为参数，返回一个包含对话的列表，每一个对话又同时是单词的列表brown和reuters是CategorizedTaggedCorpusReader的实例对象。
CategorizedTaggedCorpusReader成员方法：
categories()，该方法返回语料库中的类别标识 fileids(categories)，该方法接受一个或多个类别标识作为参数，返回文本标识列表 words(fileids, categories)，该方法接受文本标识或者类别标识作为参数，返回文本单词列表 sents(fileids, categories)，该方法接受文本标识或者类别标识作为参数，返回文本句子列表，句子本身是词列表 其他章节链接Python NLTK学习1（Text对象）
Python NLTK学习2（FreqDist对象）
Python NLTK学习3（语料库）
Python NLTK学习4（条件频率分布）