Python之自然语言处理库snowNLP
一、介绍
SnowNLP是一个python写的类库，可以方便的处理中文文本内容，是受到了TextBlob的启发而写的，由于现在大部分的自然语言处理库基本都是针对英文的，于是写了一个方便处理中文的类库，并且和TextBlob不同的是，这里没有用NLTK，所有的算法都是自己实现的，并且自带了一些训练好的字典。注意本程序都是处理的unicode编码，所以使用时请自行decode成unicode。
GitHub - isnowfy/snownlp: Python library for processing Chinese text
二、snowNLP操作详解
2.1 安装
pip install snownlp 2.2 功能详解
1）中文分词（Character-Based Generative Model）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.words)
2）词性标注（TnT 3-gram 隐马）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
for i in s.tags:
print(i)
3）情感分析（朴素贝叶斯算法）
现在训练数据主要是买卖东西时的评价，所以对其他的一些可能效果不是很好。
情感分析的结果是一个0~1之间的数字，数字越大表示这句话越偏向于肯定的态度，数字越小表示越偏向于否定的态度。
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.sentiments)
4）文本分类（Naiv eBayes）
模型训练（若是想要利用新训练的模型进行情感分析，可修改 snownlp/seg/__init__.py 里的data_path指向刚训练好的文件）
#coding:UTF-8
from snownlp import sentiment
if __name__ == "__main__":
# 重新训练模型
sentiment.train('./neg.txt', './pos.txt')
# 保存好新训练的模型
sentiment.save('sentiment.marshal')5）转换成拼音（Trie树实现的最大匹配）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.pinyin)
6）繁体转简体（Trie树实现的最大匹配）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文學的海洋中，有一部名為《薄霧》的小說，它猶如一顆閃耀的明珠，讓人過目難忘。 這部作品講述了一段發生在上世紀初的跨越階級的愛情故事。 在這篇文學短評中，我們將探討這部小說所展現的情感與人性，以及它在文學史上的地位。'''
s = SnowNLP(txt)
print(s.han)
7）提取文本关键词（TextRank算法）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.keywords(5))
8）提取文本摘要（TextRank算法）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.summary(5))
10）Tokenization（分割成句子）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
txt = u'''在文学的海洋中，有一部名为《薄雾》的小说，它犹如一颗闪耀的明珠，让人过目难忘。这部作品讲述了一段发生在上世纪初的跨越阶级的爱情故事。在这篇文学短评中，我们将探讨这部小说所展现的情感与人性，以及它在文学史上的地位。'''
s = SnowNLP(txt)
print(s.sentences)
9）tf（词频），idf（逆文档频率：可以用于tf-idf关键词提取）
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
s = SnowNLP([[u'这篇', u'文章'],
[u'那篇', u'论文'],
[u'这个']])
print("tf：")
print(s.tf)
print("\n")
print("idf：")
print(s.idf)
11）文本相似（BM25）
1. 文本的相似度是通过上面的tf和idf来计算的，这里给出的也是词的相似度分析。
# -*- coding:utf-8 -*-
import sys
from snownlp import SnowNLP
s = SnowNLP([[u'这篇', u'文章'],
[u'那篇', u'论文'],
[u'这个']])
print(s.sim([u'文章']))
2. 用 sklearn库的句子相似度的计算方法，计算 TF 矩阵中两个向量的相似度，实际上就是求解两个向量夹角的余弦值：点乘积除以二者的模长，公式如下
cosθ=a·b/|a|*|b|
from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
from scipy.linalg import norm
def tf_similarity(s1, s2):
def add_space(s):
return ' '.join(s)
# 将字中间加入空格
s1, s2 = add_space(s1), add_space(s2)
# 转化为TF矩阵
cv = CountVectorizer(tokenizer=lambda s: s.split())
corpus = [s1, s2]
vectors = cv.fit_transform(corpus).toarray()
# 计算TF系数
return np.dot(vectors[0], vectors[1]) / (norm(vectors[0]) * norm(vectors[1]))
s1 = '我出生在中国'
s2 = '我生于中国'
print(tf_similarity(s1, s2)) # 结果：0.73029674334022142.3 情感分析源码解析
class Sentiment(object):
def __init__(self):
self.classifier = Bayes() # 使用的是Bayes的模型
def save(self, fname, iszip=True):
self.classifier.save(fname, iszip) # 保存最终的模型
def load(self, fname=data_path, iszip=True):
self.classifier.load(fname, iszip) # 加载贝叶斯模型
# 分词以及去停用词的操作
def handle(self, doc):
words = seg.seg(doc) # 分词
words = normal.filter_stop(words) # 去停用词
return words # 返回分词后的结果
def train(self, neg_docs, pos_docs):
data = []
# 读入负样本
for sent in neg_docs:
data.append([self.handle(sent), 'neg'])
# 读入正样本
for sent in pos_docs:
data.append([self.handle(sent), 'pos'])
# 调用的是Bayes模型的训练方法
self.classifier.train(data)
def classify(self, sent):
# 1、调用sentiment类中的handle方法
# 2、调用Bayes类中的classify方法
ret, prob = self.classifier.classify(self.handle(sent)) # 调用贝叶斯中的classify方法
if ret == 'pos':
return prob
return 1-probclass Sentiment(object):
def __init__(self):
self.classifier = Bayes() # 使用的是Bayes的模型
def save(self, fname, iszip=True):
self.classifier.save(fname, iszip) # 保存最终的模型
def load(self, fname=data_path, iszip=True):
self.classifier.load(fname, iszip) # 加载贝叶斯模型
# 分词以及去停用词的操作
def handle(self, doc):
words = seg.seg(doc) # 分词
words = normal.filter_stop(words) # 去停用词
return words # 返回分词后的结果
def train(self, neg_docs, pos_docs):
data = []
# 读入负样本
for sent in neg_docs:
data.append([self.handle(sent), 'neg'])
# 读入正样本
for sent in pos_docs:
data.append([self.handle(sent), 'pos'])
# 调用的是Bayes模型的训练方法
self.classifier.train(data)
def classify(self, sent):
# 1、调用sentiment类中的handle方法
# 2、调用Bayes类中的classify方法
ret, prob = self.classifier.classify(self.handle(sent)) # 调用贝叶斯中的classify方法
if ret == 'pos':
return prob
return 1-prob从上述的代码中，classify函数和train函数是两个核心的函数，其中，train函数用于训练一个情感分类器，classify函数用于预测。在这两个函数中，都同时使用到的handle函数，handle函数的主要工作为对输入文本分词和去停用词。
情感分类的基本模型是贝叶斯模型 Bayes，对于贝叶斯模型，这里就先介绍一下机器学习算法—朴素贝叶斯的公式，详细说明可查看 python版 朴素贝叶斯-基础 - 简书。对于有两个类别c1和c2的分类问题来说，其特征为w1,⋯,wn，特征之间是相互独立的，属于类别c1的贝叶斯模型的基本过程为：
其中：
