12.朴素贝叶斯-垃圾邮件分类
作业补交
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
- 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__
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
import csv
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
# 词性还原
def get_wordnet_pos(treebank_tag):
if treebank_tag.startswith('J'): # 形容词
return nltk.corpus.wordnet.ADJ
elif treebank_tag.startswith('V'): # 动词
return nltk.corpus.wordnet.VERB
elif treebank_tag.startswith('N'): # 名词
return nltk.corpus.wordnet.NOUN
elif treebank_tag.startswith('R'): # 副词
return nltk.corpus.wordnet.ADV
else:
return
# 预处理
def preprocessing(text):
tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 将所有单词形成列表
stops = stopwords.words('english') # 停用词
tokens_stop = [token for token in tokens if token not in stops] # 去掉停用词
lemmatizer = WordNetLemmatizer()
tag = nltk.pos_tag(tokens_stop) # 词性标注
newtokens = []
for i, token in enumerate(tokens_stop):
if token:
pos = get_wordnet_pos(tag[i][1])
if pos:
word = lemmatizer.lemmatize(token, pos)
newtokens.append(word)
return newtokens
file_path = r".\SMSSpamCollection"
sms = open(file_path, 'r', encoding='utf-8')
sms_data = []
sms_lable = []
csv_reader = csv.reader(sms, delimiter='\t')
for r in csv_reader:
sms_lable.append(r[0])
sms_data.append(preprocessing(r[1])) # 对每封邮件做预处理
sms.close()
print("邮件标签为：\n", sms_lable)
# 将sms_data换行输出，方便查看
print("邮件标签为：")
for i in sms_data:
print(i, end="\n")
结果：
3. 训练集与测试集
4. 词向量
5. 模型
