Python数据科学教程：NLTK单词标记化（自然语言处理任务）

单词标记化是将大量文本样本划分为单词的过程。这是自然语言处理任务的要求，其中每个单词都需要被捕获并进一步分析，例如特定情感的分类和计数等。自然语言工具包 (NLTK) 是用于此目的的库。先安装NLTK，然后再继续使用python来标记单词。

conda install -c anaconda nltk

Python

接下来，使用 word_tokenize 方法将段落拆分为单个单词。

import nltk

word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
nltk_tokens = nltk.word_tokenize(word_data)
print (nltk_tokens)

Python

当我们运行上面的代码时，会产生以下结果。

['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
'comforts', 'of', 'their', 'drawing', 'rooms']

Python

标记句子

您还可以标记段落内的句子，就像单词一样。使用 send_tokenize 方法来实现此目的。下面是一个例子。

import nltk
sentence_data = "Sun rises in the east. Sun sets in the west."
nltk_tokens = nltk.sent_tokenize(sentence_data)
print (nltk_tokens)

Python

当我们运行上面的代码时，会生成以下结果。

['Sun rises in the east.', 'Sun sets in the west.']