作业12

---

 

补交的作业（疫情在家学习期间无电脑，之前在家时已向老师说明情况了）：

作业1：https://www.cnblogs.com/hongxinma/p/12895161.html

作业2：https://www.cnblogs.com/hongxinma/p/12895392.html

作业3：https://www.cnblogs.com/hongxinma/p/12895719.html

作业4：https://www.cnblogs.com/hongxinma/p/12900949.html

作业5：https://www.cnblogs.com/hongxinma/p/12904246.html

作业6：https://www.cnblogs.com/hongxinma/p/12908789.html

作业7：https://www.cnblogs.com/hongxinma/p/12908830.html

作业8：https://www.cnblogs.com/hongxinma/p/12908886.html

作业9：https://www.cnblogs.com/hongxinma/p/12908900.html

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

答：先读取文件然后提取邮件信息成列表信息输出

截图如下：

 

代码如下：

第1题：

import csv
sms = open(r'C:\Users\Administrator\Desktop\jiqixuexi\SMSSpamCollection', 'r', encoding='utf-8')
csv_reader = csv.reader(sms, delimiter='\t')
for r in csv_reader:
    print(r)
sms.close()

 

 

 

 

 

 

2.邮件预处理

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

 答：截图如下：

 

 

 

代码如下：

第2题：

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

 

 

3. 训练集与测试集

4. 词向量

5. 模型

 

答：截图如下：

 

代码如下：

第3题：

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
print(nltk.__doc__)
# 预处理
def processing(text):
    # 对文本按照句子进行分割 对句子进行分词
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    # 去掉停用词
    stops = stopwords.words("english")  # 创建stopwords对象
    tokens = [token for token in tokens if token not in stops]
    # 去掉短于3的词 且将所有大写转为小写
    tokens = [token.lower() for token in tokens if len(token) >= 3]
    # 词性标注
    nltk.pos_tag(tokens)
    # 词性还原
    lem = WordNetLemmatizer()
    tokens = [lem.lemmatize(token, pos='n') for token in tokens]  # 词性还原：复数
    tokens = [lem.lemmatize(token, pos='a') for token in tokens]  # 比较级
    tokens = [lem.lemmatize(token, pos='v') for token in tokens]  # 时态
    return tokens
import csv
sms = open(r'C:\Users\Administrator\Desktop\jiqixuexi\SMSSpamCollection', 'r', encoding='utf-8')
sms_data = []#构建实际邮件数据
sms_label = []#构建邮件类别
csv_reader = csv.reader(sms, delimiter='\t')
for line in csv_reader:
    sms_label.append(line[0])#获取邮件类别
    sms_data.append(processing(line[1]))#获取处理后邮件数据
sms.close()#关闭读取流
print(sms_label)
print(sms_data)