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

import csv
file_path = r"SMSSpamCollection"
sms = open(file_path, 'r', encoding='utf-8')
data = csv.reader(sms, delimiter="\t")
for r in data:
    print(r)
sms.close()

读取数据结果：

 

 

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__

查看结果：

 

 

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


def preprocessing(text):
    tokens = []
    for sent in nltk.sent_tokenize(text):  # 对录入的文本按照句子进行分割;
        for word in nltk.word_tokenize(sent):  # 对句子进行分词；
            tokens.append(word)
    # 或者写为：
    # 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]

    # 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


sms = open("SMSSpamCollection", 'r', encoding='utf-8')  # 数据读取
sms_data = []
sms_label = []
csv_reader = csv.reader(sms, delimiter='\t')
for line in csv_reader:  # 预处理
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()

print("标题内容：", sms_label)  # 标题
print("处理后内容：")  # 处理后的邮件内容
for line in sms_data:
    print(line)

预处理结果：