机器学习之朴素贝叶斯-垃圾邮件分类

读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

""" @author Rakers"""
import pandas as pd
df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8')
print(df.to_numpy())

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__)

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

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:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

NLTK 词性标注

nltk.pos_tag(tokens)

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。

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

import nltk
import pandas as pd
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

nltk.download("punkt")
nltk.download("stopwords")
nltk.download("averaged_perceptron_tagger")
nltk.download("wordnet")

def preprocessing(text):
    # 进行分词
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    # 去除停用词
    stops = stopwords.words('english')
    tokens = [token for token in tokens if token not in stops]  # 把在stops里的词去掉

    # 词性标注
    nltk.pos_tag(tokens)

    # 词性还原
    lemmatizer = WordNetLemmatizer()  # 定义还原对象
    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 名词
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 动词
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 形容词

    return tokens  # 返回处理完成后的文本

if __name__ == "__main__":
    df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8')
    data = df.to_numpy()

    sms_data = []
    sms_label = []
    for line in data:
        sms_label.append(line[0])
        sms_data.append(preprocessing(line[1]))
    print("标题：", sms_label)
    print("内容：")
    for i in sms_data:
        print(i)