機器學習之樸素貝葉斯-垃圾郵件分類

1. 讀郵件數據集文件，提取郵件本身與標籤。

列表

numpy數組

""" @author Rakers"""
import pandas as pd
df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8')
print(df.to_numpy())

 

2.郵件預處理

• 郵件分句
• 名子分詞
• 去掉過短的單詞
• 詞性還原
• 連接成字符串

 

•  傳統方法來實現
•  nltk庫的安裝與使用

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

下載gh-pages分支，裏面的Packages就是我們要的資源。

將Packages文件夾改名爲nltk_data。

或

網盤鏈接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取碼：o5ea

放在用戶目錄。

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

安裝完成，通過下述命令可查看nltk版本：

import nltk
print(nltk.__doc__)

 

2.1 nltk庫 分詞

nltk.sent_tokenize(text) #對文本按照句子進行分割
nltk.word_tokenize(sent) #對句子進行分詞

2.2 punkt 停用詞

from nltk.corpus import stopwords
stops=stopwords.words('english')

*如果提示需要下載punkt

nltk.download(‘punkt’)

或 下載punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密碼：mema

複製到對應的失敗的目錄C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers並解壓。

2.3 NLTK 詞性標註

nltk.pos_tag(tokens)

2.4 Lemmatisation（詞性還原）

from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
lemmatizer.lemmatize('leaves') #缺省名詞
lemmatizer.lemmatize('best',pos='a')
lemmatizer.lemmatize('made',pos='v')

一般先要分詞、詞性標註，再按詞性做詞性還原。

2.5 編寫預處理函數

def preprocessing(text):
sms_data.append(preprocessing(line[1])) #對每封郵件做預處理

import nltk
import pandas as pd
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

nltk.download("punkt")
nltk.download("stopwords")
nltk.download("averaged_perceptron_tagger")
nltk.download("wordnet")

def preprocessing(text):
    # 進行分詞
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    # 去除停用詞
    stops = stopwords.words('english')
    tokens = [token for token in tokens if token not in stops]  # 把在stops裏的詞去掉

    # 詞性標註
    nltk.pos_tag(tokens)

    # 詞性還原
    lemmatizer = WordNetLemmatizer()  # 定義還原對象
    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 名詞
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 動詞
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 形容詞

    return tokens  # 返回處理完成後的文本

if __name__ == "__main__":
    df = pd.read_csv('../data/SMSSpamCollection', '\t', encoding='utf-8')
    data = df.to_numpy()

    sms_data = []
    sms_label = []
    for line in data:
        sms_label.append(line[0])
        sms_data.append(preprocessing(line[1]))
    print("標題：", sms_label)
    print("內容：")
    for i in sms_data:
        print(i)