[Python][自然語言]文本處理工具nltk套件_初探索

NLTK（Natural Language Toolkit）是一個流行的Python套件，專門用於處理自然語言處理（NLP）任務。它提供了各種工具和資源，幫助開發者進行文本分析、語言處理和機器學習等任務。

NLTK 主要專注於英文語言處理，可以使用其他工具庫如 Jieba 來實現中文分詞。

以下是一些NLTK的主要特點和功能：

1. 文本處理工具：NLTK包含了多種用於標記、分詞、解析和標準化文本的函式和類。這些工具可以幫助你將原始文本轉換成機器可理解和處理的格式。
2. 語料庫和資源：NLTK包含了大量的語料庫和資源，涵蓋了不同語言和主題。這些資源可以用來訓練模型、進行研究或開發NLP應用。
3. 分析和可視化：NLTK提供了各種分析文本和語言模型的工具。這些工具包括統計分析、語法分析、情感分析等，還可以通過統計圖表和可視化工具展示分析結果。

安裝套件

pip install nltk

下載資料包

nltk.download()

nltk.download() 是 NLTK 中用來下載和更新資料庫、資源和語料庫的函式。

Colab上執行步驟，全部下載步驟，d) -> all 。

VScode上執行，選擇all，Download

NLTK的簡單應用範例

分詞（Tokenization）：

分詞是將文本分割成個別的詞或詞彙的過程。NLTK 提供了各種分詞器，可以根據需要選擇適合的方法。

from nltk.tokenize import word_tokenize  # 引入 NLTK 的分詞模組

text = "NLTK is a powerful tool for natural language processing."  # 原始文本

tokens = word_tokenize(text)  # 使用 word_tokenize 函數將文本進行分詞，得到 tokens

print(tokens)  # 輸出分詞後的 tokens

輸出：

['NLTK', 'is', 'a', 'powerful', 'tool', 'for', 'natural', 'language', 'processing', '.']

停用詞移除（Stopwords Removal）：

停用詞是在文本處理中常見但通常無意義的詞彙，例如“the”，“is”，“at”等。NLTK 可以幫助去除這些停用詞。

from nltk.corpus import stopwords  # 引入 NLTK 的停用詞庫模組
from nltk.tokenize import word_tokenize  # 引入 NLTK 的分詞模組

text = "NLTK is a powerful tool for natural language processing."  # 原始文本

tokens = word_tokenize(text)  # 將文本進行分詞，得到 tokens

stopwords_list = set(stopwords.words('english'))  # 使用 NLTK 提供的英文停用詞列表
filtered_tokens = [word for word in tokens if word.lower() not in stopwords_list]  # 過濾掉文本中的停用詞

print(filtered_tokens)  # 輸出過濾後的 tokens

輸出：

['NLTK', 'powerful', 'tool', 'natural', 'language', 'processing', '.']

詞性標註（Part-of-Speech Tagging）：

詞性標註是將句子中的每個詞彙標註為其詞性（名詞、動詞、形容詞等）的過程。

from nltk import pos_tag  # 引入 NLTK 的詞性標註模組
from nltk.tokenize import word_tokenize  # 引入 NLTK 的分詞模組

text = "NLTK is a powerful tool for natural language processing."  # 原始文本

tokens = word_tokenize(text)  # 將文本進行分詞，得到 tokens
pos_tags = pos_tag(tokens)  # 對 tokens 進行詞性標註，得到 pos_tags

print(pos_tags)  # 輸出詞性標註結果

輸出：

[('NLTK', 'NNP'), ('is', 'VBZ'), ('a', 'DT'), ('powerful', 'JJ'), ('tool', 'NN'), ('for', 'IN'), ('natural', 'JJ'), ('language', 'NN'), ('processing', 'NN'), ('.', '.')]

• 這些是詞性標註（Part-of-Speech Tagging）過程中的標籤，每個標籤表示了相應詞彙在句子中的詞性（parts of speech）信息。
• 以下是每個詞彙及其對應的詞性標籤：

1. 'is' ('VBZ'):
2. • 'is' 是一個動詞，標記為 VBZ。
   • VBZ 表示現在單數第三人稱動詞
2. 'a' ('DT'):
3. • 'a' 是一個冠詞，標記為 DT。
   • DT 表示限定詞（determiner），用來指示名詞的特定性或泛指性。
3. 'powerful' ('JJ'):
4. • 'powerful' 是一個形容詞，標記為 JJ。
   • JJ 表示形容詞（adjective），用來描述名詞的屬性或特徵。
4. 'tool' ('NN'):
5. • 'tool' 是一個名詞，標記為 NN。
   • NN 表示名詞（noun），用來指稱人、事物、地方或概念。
5. 'for' ('IN'):
6. • 'for' 是一個介詞，標記為 IN。
   • IN 表示介詞（preposition），用來表達位置、方向、時間、原因等關係。
6. 'natural' ('JJ'):
7. • 'natural' 是一個形容詞，標記為 JJ。
   • JJ 同樣表示形容詞，描述名詞的屬性或特徵。
7. 'language' ('NN'):
8. • 'language' 是一個名詞，標記為 NN。
   • NN 表示名詞，用來指稱語言。
8. 'processing' ('NN'):
9. • 'processing' 是一個名詞，標記為 NN。
   • NN 同樣表示名詞，指稱處理的動作或過程。
9. '.' ('.'):
10. • '.' 是一個句點，標記為 '.'。
    • '.' 表示句點，用來結束句子。

這些詞性標註能夠幫助理解每個詞在句子中的語法角色和功能，進而進行更深入的語言分析和處理。

命名實體識別（Named Entity Recognition, NER）：

NER 可以識別文本中具有特定意義的命名實體，例如人名、地名、日期等。

from nltk import ne_chunk  # 引入 NLTK 的命名實體識別模組
from nltk.tokenize import word_tokenize  # 引入 NLTK 的分詞模組
from nltk.tag import pos_tag  # 引入 NLTK 的詞性標註模組

# 原始文本
text = "Barack Obama was born in Hawaii."

# 將文本進行分詞，得到 tokens
tokens = word_tokenize(text)

# 對 tokens 進行詞性標註，得到 pos_tags
pos_tags = pos_tag(tokens)

# 使用命名實體識別器對 pos_tags 進行命名實體識別，得到 ner_tags
ner_tags = ne_chunk(pos_tags)

# 輸出識別結果
print(ner_tags)

輸出：

(S
  (PERSON Barack/NNP Obama/NNP)
  was/VBD
  born/VBN
  in/IN
  (GPE Hawaii/NNP)
  ./.)

• 它使用了一種稱為 IOB（Inside-Outside-Beginning）格式的標註方式來標識文本中的命名實體
• (PERSON Barack/NNP)：
  • 在這個標註中，'Barack' 被標識為 PERSON，表示這是一個人名。
  • NNP 表示 'Barack' 是一個專有名詞，通常代表人名、地名等。
• (PERSON Obama/NNP)：
  • 同樣地，'Obama' 被標識為 PERSON，表示這也是一個人名。
• was/VBD：
  • 'was' 被標識為 VBD，表示過去式動詞。
• born/VBN：
  • 'born' 被標識為 VBN，表示過去分詞形式的動詞。
• in/IN：
  • 'in' 被標識為 IN，表示這是一個介詞，用來表達位置或方向。
• (GPE Hawaii/NNP)：
  • 'Hawaii' 被標識為 GPE，表示這是一個地理位置的名稱。
  • NNP 表示 'Hawaii' 是一個專有名詞。
• ./.：
  • '.' 被標識為 '.'，表示這是句子的結束。