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 = " ")
for i in data:
print(i)
sms.close()
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:UsersAdministratorAppDataRoaming ltk_data okenizers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=' ')
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：
