第十二次作业----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

 

读取文件，提取邮件信息成列表信息输出。

 

 

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__

安装nltk成功

 

 

 

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')

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

 

 

 实现代码如下：

import  csv
import nltk
from nltk.stem import WordNetLemmatizer
from nltk.corpus import stopwords
sms=open(r'D:\Download\SMSSpamCollection','r',encoding='utf-8')#读取文件
csv_reader=csv.reader(sms,delimiter='\t')
sms_data=[]#构建实际邮件数据
sms_label=[]#构建邮件类别
stops=stopwords.words('english')#构建停用器
lemmatizer = WordNetLemmatizer()#构建词性转换器
def preprocessing(text):
    tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]#分词
    tokens=[token for token in tokens if token not in stops]#停用词
    nltk.pos_tag(tokens)#词性标注
    tokens=[lemmatizer.lemmatize(token,pos='n') for token in tokens]#名词词性还原
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]#形容词词性还原
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]#动词词性还原
    return tokens#返回处理结果



for line in csv_reader:
    sms_label.append(line[0])#获取邮件类别
    sms_data.append(preprocessing(line[1]))#获取处理后邮件数据
sms.close()#关闭读取流
print(sms_label)#输出邮件类别
print(sms_data)#输出处理后的邮件数据

 

 

3. 训练集与测试集

4. 词向量

5. 模型