12-朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

2.邮件预处理

1. 邮件分句
2. 句子分词
3. 大小写，标点符号，去掉过短的单词
4. 词性还原：复数、时态、比较级
5. 连接成字符串

2.1 传统方法来实现

2.2 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__

安装成功截图：

 

 

 

 

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:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers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

 实现代码：

import nltk
import csv
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

# 返回词性类别
def get_word_pos(tag):
    if tag.startswith("J"):
        return nltk.corpus.wordnet.ADJ
    elif tag.startswith("V"):
        return nltk.corpus.wordnet.VERB
    elif tag.startswith("N"):
        return nltk.corpus.wordnet.NOUN
    elif tag.startswith("R"):
        return nltk.corpus.wordnet.ADV
    else:
        return "";

#编写预处理函数
def preprocessing(text):
    #1.进行分词并形成数组 nltk.sent_tokenize(text)按照句子进行分割 nltk.word_tokenize(sent) 对句子进行分词
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    #2.去掉停用词
    stops = stopwords.words("english")#停用词
    tokens = [token for token in tokens if token not in stops]#去掉数组内存在的停用词
    #3.词性标注
    lemmatizer = WordNetLemmatizer()
    tag=nltk.pos_tag(tokens)
#     print(tag)
    newtokens=[]
    for i,token in enumerate(tokens):
        if token:
            pos = get_word_pos(tag[i][1])
            if pos:
                word = lemmatizer.lemmatize(token,pos)#4.词性还原
                newtokens.append(word)
    return newtokens              


#读取数据集，获取邮件标签及本身
sms=open('./data/SMSSpamCollection','r',encoding='utf-8')
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')
for line in csv_reader:
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))#对每封邮件做预处理
sms.close()

print("邮件类别:",sms_label)
print("\n\n\n邮件特征:",sms_data)

　运行结果：

邮件类别：

 

 

邮件特征：

 

 

3. 训练集与测试集

4. 词向量

5. 模型