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

邮件分句
句子分词
大小写，标点符号，去掉过短的单词
词性还原：复数、时态、比较级
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__

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')

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

源代码：

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

print(nltk.__doc__)#输出版本号

#预处理
def preprocessing(text):
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]#分词
    stops = stopwords.words("english")#停用词
    tokens = [token for token in tokens if token not in stops]#去掉停用词

    tokens = [token.lower() for token in tokens if len(token) >= 3]#将大写字母变为小写
    lmtzr = WordNetLemmatizer()
    tokens = [lmtzr.lemmatize(token, pos='n') for token in tokens]#词性还原 复数
    tokens = [lmtzr.lemmatize(token, pos='a') for token in tokens]#比较级
    tokens = [lmtzr.lemmatize(token, pos='v') for token in tokens]#时态
    return tokens


#读取文件
file_path=r'D:PycharmProjects201706120186罗奕涛dataSMSSpamCollection'
sms=open(file_path,'r',encoding='utf-8')
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='	')
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(sms_label)
print(sms_data)

结果：

3. 训练集与测试集

4. 词向量