自然语言处理 |词表语料库
什么是语料库?
语料库可以定义为文本文档的集合。它可以被认为只是一个目录中的一堆文本文件,通常与许多其他文本文件目录一起。
如何创建词表语料库?
- WordListCorpusReader 类是最简单的 CorpusReader 类之一。它
- WordListCorpusReader – 它是最简单的 CorpusReader 类之一。
- 此类提供对包含单词列表或每行一个单词的文件的访问
- Wordlist 文件可以是 CSV 文件或每行一个单词的 txt 文件。在我们的单词表文件中
we have added : geeks for geeks welcomes you to nlp articles
- 给出两个论据
- 包含文件的目录路径
- 文件名列表
代码#1:创建一个词表语料库
from nltk.corpus.reader import WordListCorpusReader
x = WordListCorpusReader('.', ['C:\\Users\\dell\\Desktop\\wordlist.txt'])
x.words()
x.fileids()
输出 :
['geeks', 'for', 'geeks', 'welcomes', 'you', 'to', 'nlp', 'articles']
['C:\\Users\\dell\\Desktop\\wordlist.txt']
代码 #2:访问原始代码。
x.raw()
from nltk.tokenize import line_tokenize
print ("Wordlist : ", line_tokenize(x.raw()))
输出 :
'geeks\r\nfor\r\ngeeks\r\nwelcomes\r\nyou\r\nto\r\nnlp\r\narticles'
Wordlist : ['geeks', 'for', 'geeks', 'welcomes', 'you', 'to', 'nlp', 'articles']
代码#3:访问名称词表语料库
# Accessing pre-defined wordlist
from nltk.corpus import names
print ("Path : ", names.fileids())
print ("\nNo. of female names : ", len(names.words('female.txt')))
print ("\nNo. of male names : ", len(names.words('male.txt')))
输出 :
Path : ['female.txt', 'male.txt']
No. of female names : 5001
No. of male names : 2943
代码#4:访问英语单词表语料库
# Accessing pre-defined wordlist
from nltk.corpus import words
print ("File : ", words.fileids())
print ("\nNo. of female names : ", len(words.words('en-basic')))
print ("\nNo. of male names : ", len(words.words('en')))
输出 :
File : ['en', 'en-basic']
No. of female names : 850
No. of male names : 235886