自然语言7_NLTK中文语料库sinica_treebank

sklearn实战-乳腺癌细胞数据挖掘(博客主亲自录制视频教程)

https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share

http://www.hankcs.com/program/python/nltk-chinese-corpus-sinica_treebank.html
NLTK包含Sinica （中央研究院）提供的繁体中文语料库，其在Python环境下的显示有些讲究。

NLTK sinica_treebank 显示中文

在IDLE中如果直接查看的话会显示十六进制码：

>>> from nltk.corpus import sinica_treebank

>>> sinica_treebank.words()

['\xe4\xb8\x80', '\xe5\x8f\x8b\xe6\x83\x85', ...]

如果想在IDLE中查看这些进制码对应的中文的话，可以：

>>> print '\xe4\xb8\x80'

一

NLTK中文词性标注

一个一个手动print太蠢了，一段代码自动让它好看起来：

# -*- coding:utf-8 -*-

# Filename: sinica_treebank.py

# Author：hankcs

# Date: 2014-04-08 上午11:44

import nltk

from nltk.corpus import sinica_treebank

sinica_text = nltk.Text(sinica_treebank.words())

print sinica_text

for (key, var) in sinica_treebank.tagged_words()[:8]:

print '%s/%s' % (key, var),

输出：

<Text: 一 友情 嘉珍 和 我 住在 同一條 巷子...>

一/Neu 友情/Nad 嘉珍/Nba 和/Caa 我/Nhaa 住在/VC1 同一條/DM 巷子/Nab

NLTK中文句法树

>>> sinica_treebank.parsed_sents()[15].draw()



真是神奇的Python！

搜索中文文本

在IDLE中不方便调编码，还是写进py文件吧：

# -*- coding:utf-8 -*-

# Filename: sinica_treebank.py

# Author：hankcs

# Date: 2014-04-08 上午11:44

import nltk

from nltk.corpus import sinica_treebank

sinica_text = nltk.Text(sinica_treebank.words())

print sinica_text.concordance('我')

输出：

Building index...

Displaying 25 of 724 matches:

我 住在 同一條 巷子 我們 是 �

�� 一起 回家 有一天 上學 時 我 到 她 家 等候 按 了 門鈴 卻

��鈴 卻 沒有 任何 動靜 正當 我 想 離開 時 門 內 突然 傳來

�� 了 門 大聲 的 叫 著 快 點 我 媽媽 暈倒 了 嘉珍 抓起 我 �

� 我 媽媽 暈倒 了 嘉珍 抓起 我 的 手 急忙 往 屋 裡 跑 進入

得 像 紙 一樣 這種 情景 把 我 嚇壞 了 怎麼辦 嘉珍 不停 �

��停 的 哭泣 聲音 有些 顫抖 我 的 腦海 中 頓時 一片 空白 �

� 怎麼辦 才 好 過 了 一會兒 我 才 問 她 你 爸爸 呢 他 出差

他 出差 了 嘉珍 擦 著 眼淚 我 握住 她 的 雙手 她 的 手 又

�� 這時 有個 念頭 突然 閃過 我 的 眼前 我 幫 她 撥 了 一一

� 念頭 突然 閃過 我 的 眼前 我 幫 她 撥 了 一一九 請 救護�

她 的 背 安慰 她 不要 著急 我 會 陪 你 的 不久 救護車 停

��上 救護車 嘉珍 上車 前 對 我 說 謝謝 你 的 幫忙 我 握 著

前 對 我 說 謝謝 你 的 幫忙 我 握 著 她 的 手 說 不用 謝 �

�� 握 著 她 的 手 說 不用 謝 我 因為 我們 是 好朋友 二 無�

員外 來 找 他 並且 對 他 說 我 看 你 悶悶不樂 是不是 進京

�� 著 他 的 手 說 你 不用 還 我 了 我 只是 盡 一份 心力 而�

�� 的 手 說 你 不用 還 我 了 我 只是 盡 一份 心力 而已 以�

銀子 含 著 眼淚 說 謝謝 您 我 不 知道 要 怎麼 來 報答 您

答 您 江 巡撫 說 你 不必 謝 我 也 不必 回報 我 四 快樂 的

你 不必 謝 我 也 不必 回報 我 四 快樂 的 閱讀課 上 國語�

�� 這一組 做 讀書 心得 報告 我 第一個 站起來 發言 我們 閱

�過 兩 人 成為 知心 的 朋友 我 說完 之後 組長 站起來 補充

清理 火山灰 而且 欣賞 落日 我 喜歡 這種 自由自在 的 生活

的 人 也 不 喜歡 虛偽 的 人 我 覺得 小 王子 很 正直 最後 �

None

这里面的�大概是字体的原因吧，毕竟不是繁体中文系统。本文的原作者指出：


茅塞顿开。

控制台乱码的话可能需要decode成unicode然后在encode成gb编码：

s = "中文"

if isinstance(s, unicode):

# s=u"中文"

print s.encode('gb2312')

else:

# s="中文"

print s.decode('utf-8').encode('gb2312')

NLTK计算中文高频词

>>> sinica_fd=nltk.FreqDist(sinica_treebank.words())

>>> top100=sinica_fd.items()[0:100]

>>> for (x,y) in top100:

print x,y

的 6776

、 1482

在 1331

是 1317

了 1190

有 759

我 724

他 688

就 627

上 612

和 580

也 542

不 526

人 467

都 417

與 404

著 389

我們 384

初步的NLTK中文玩法就这些了，还是挺不错的。

python风控评分卡建模和风控常识(博客主亲自录制视频教程)

https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share