Hướng dẫn tokenizer python - mã thông báo mã trăn
Trong hướng dẫn Lập trình Python này, chúng ta sẽ thảo luận về Lập trình và Bổ sung trong Ngôn ngữ Lập trình Python – hai điều cơ bản khi làm việc với khoa học dữ liệu trong Python. Hơn nữa, chúng ta sẽ thảo luận về các ví dụ Python NLTK và Python Stemming. Cùng với điều này, chúng ta sẽ học Python Stemming vs Lemmatization. Show
Nội dung chính ShowShow
Nội dung chính
Nội dung chính
Nội dung chính Python lập các từ riêng lẻ
Điều kiện tiên quyết để lập trình và bổ sung PythonNội dung chính Python lập các từ riêng lẻ Các bài viết liên quan: Vì vậy, hãy bắt đầu Lập trình và bổ sung Python. Tìm từ đồng nghĩa từ WordNet NLTK Vì mục đích của chúng tôi, chúng tôi sẽ sử dụng thư viện sau- Python NLTK Python NLTK là từ viết tắt của Natural Language Toolkit . Đây là một bộ thư viện cho phép chúng tôi thực hiện Xử lý ngôn ngữ tự nhiên (NLP) trên tiếng Anh với Python. Nó cho phép chúng tôi làm như vậy theo cách tượng trưng và thống kê. Nó cũng cung cấp dữ liệu mẫu và hỗ trợ biểu diễn đồ họa. Xem thêm Các related entities trong SEO Bạn có làm thế nào để đổi tên tệp trong Python – Một và nhiều tệp với ví dụ Python Stemming là gì?Bạn có thể cài đặt nó bằng cách sử dụng pip Sau đó, để nhập nó, bạn có thể nhập trình thông dịch Cuối cùng, để cài đặt các gói từ NLTK, bạn cần sử dụng trình tải xuống của nó. Python lập các từ riêng lẻimport nltk #import nltk from nltk.stem import PorterStemmer #import nltk.stem words=['write','writer','writing','writers'] # khai báo 1 array gồm 4 phần từ ps=PorterStemmer() # tạo mới đối tượng PorterStemmer() for word in words: #chạy vòng for print(f"{word}: {ps.stem(word)}")# in ra từng word Một ví dụ khác về lập trình PythonBạn có thể tải xuống tất cả các gói hoặc chọn những gói bạn muốn tải xuống. Khám phá tab ‘Tất cả các gói’. Xem thêm Statistical(thống kê) sử dụng Python Python tạo toàn bộ một câufrom nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}") Python Stemming là hành động lấy một từ và rút gọn nó thành từ gốc. Thân cây giống như cái rễ của một từ – writing là writing . Nhưng điều này không phải lúc nào cũng là một từ; các từ như study , studies và studying đều bắt nguồn từ từ studi, thực ra không phải là một từ. Bổ ngữ Python là gì?Nó gần giống như những từ này là từ đồng nghĩa; điều này cho phép chúng tôi bình thường hóa các câu và giúp tìm kiếm các từ dễ dàng hơn và nhanh hơn. Các thuật toán gốc Python mà chúng tôi có thường dựa trên các quy tắc áp dụng cho việc tước bỏ hậu tố. Phổ biến nhất là Porter-Stemmer, xuất hiện từ năm 1979. Xem thêm Đọc file CSV, JSON, XLSX bằng Python Python Stemming và LemmatizationHãy thử nhiều từ hơn. lemmatizer.lemmatize('identify') Ví dụ về Python Lemmatizationfrom nltk.stem import WordNetLemmatizer # khai báo thư viện nltk.stem lemmatizer=WordNetLemmatizer() # tạo mới đối tượng WordNetLemmatizer nltk.download('wordnet') # download wordnet lemmatizer.lemmatize('dogs') # lemmatize từ dogs lemmatizer.lemmatize('geese') lemmatizer.lemmatize('cacti') lemmatizer.lemmatize('erasers') lemmatizer.lemmatize('children') lemmatizer.lemmatize('feet') Sử dụng Poslemmatizer.lemmatize('better',pos='a') Xử lý văn bản trong NLTK from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")0 NLTK Sentence Tokenizer NLTK Word Tokenizer Xử lý văn bản trong NLTKNLTK Sentence Tokenizer NLTK Sentence TokenizerHãy thử mã hóa một câu. from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")1 Được rồi, một câu nữa trong Hướng dẫn sử dụng Python NLTK. Làm thế nào về việc chúng ta sử dụng những từ trong văn bản? Tokenizer sẽ có thể bắt được nó? from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")2 NLTK Word TokenizerĐầu tiên, hãy mã hóa văn bản tôi n Hướng dẫn sử dụng Python NLTK . from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")3 Tìm từ đồng nghĩa từ WordNet NLTKWordNet là một cơ sở dữ liệu NLP với các từ đồng nghĩa, trái nghĩa và định nghĩa ngắn gọn. Chúng tôi đã tải xuống tệp này bằng trình tải xuống NLTK. from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")4 Hãy chọn từ đầu tiên từ cái này from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")5 Để nhận danh sách các từ đồng nghĩa: from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")6 Xem thêm Trình thông dịch Python là gì – Môi trường, Lời mời Làm việc Tìm từ trái nghĩa từ WordNet NLTKĐể có được danh sách các từ trái nghĩa, trước tiên chúng ta cần kiểm tra các bổ đề- có từ trái nghĩa không? from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")7 from nltk.tokenize import word_tokenize # khai báo sử dụng nltk.tokenize nltk.download('punkt')# download 'punkt' #khai báo 1 câu bất kì sentence='I am enjoying writing this tutorial; I love to write and I have written 266 words so far. I wrote more than you did; I am a writer.' #tách các từ tư câu words=word_tokenize(sentence) #in từ gốc trong câu for word in words: print(f"{word}: {ps.stem(word)}")8 Kết luậnDo đó, trong hướng dẫn Python này, chúng tôi đã nghiên cứu về Python Stemming và Lemmatization. Ngoài ra, chúng tôi đã nghiên cứu NLTK, một ví dụ về Lập trình và bổ sung hóa trong Python, và sự khác biệt giữa Lập trình gốc và bổ sung hóa Python. Hãy cho chúng tôi biết bạn nghĩ gì về hướng dẫn bổ sung và tạo gốc cho Python này, trong hộp nhận xét. Xem thêm Tự học HTML: HTML ngữ nghĩa(semantic) |