作业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

# 读邮件数据集文件,提取邮件本身与标签
sms=open("./data/SMSSpamCollection",'r',encoding='utf-8')  # 读取邮件
csv_reader=csv.reader(sms, delimiter="\t")
sms_label=[]  # 标签
sms_data=[]   # 内容
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

（1）方法1：在pycharm中直接安装（下载速度慢有可能会安装失败）

   pip install nltk

   import nltk

   nltk.download()      # sever地址改成 http://www.nltk.org/nltk_data/

（2）方法2：在github中下载后进行手动安装

   https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

   

  下载成功后进行解压并将Packages文件夹改名为nltk_data。

   

  将nltk_data放入到安装目录下

   

 

（3）方法3：在网盘中下载后进行手动安装

  网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

  将nltk_datat放到用户目录下即可。

----------------------------------------------

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')

*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):  #预处理

sms_data.append(preprocessing(line[1]))   # 对每封邮件做预处理

数据收集(获取)-->预处理

源代码如下：

import nltk
from nltk.corpus import stopwords  # 分词处理
from nltk.stem import WordNetLemmatizer  # 词性处理
import csv

# 邮件预处理
def preprocessing(text):
    sep = '.,:;?!-_'
    tokens = [];
    def gettxt():
        text2=text.lower()  # 大小写
        for ch in sep:
            text2=text2.replace(ch,'')  #去掉标点符号
        return text2
    text2 = gettxt()  # 获取待统计字符串
    tokens = [word for sent in nltk.sent_tokenize(text2)
              for word in nltk.word_tokenize(sent)]  #分词
    # 英文停用词
    stops = stopwords.words("english")
    # 去掉停用词
    tokens = [token for token in tokens if token not in stops]
    # NLTK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(单复数)还原
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 动词(时态)还原
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 形容词(级别)还原
    # 大小写转换，并去掉短于3的词
    tokens = [token.lower() for token in tokens if len(token) >= 3]
    return tokens

sms=open("./data/SMSSpamCollection",'r',encoding='utf-8')  # 数据读取
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')
for line in csv_reader:                                 #6.对每封邮件进行预处理
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()
print("lable内容：",sms_label)    #标题
print("data内容：")               #处理后的邮件内容
for i in sms_data:
    print(i)

 

3. 训练集与测试集

4. 词向量

5. 模型