-
Notifications
You must be signed in to change notification settings - Fork 1
/
NLP.py
258 lines (144 loc) · 5.17 KB
/
NLP.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
# coding: utf-8
# # Estudando NLP
#
# O que eu pretendo usar: CSTNews Corpus
#
#
# NLTK;
#
# Portuguese Examples: http://www.nltk.org/howto/portuguese_en.html
# In[1]:
import nltk
# # 1. Tokenização
#
# ## 1.1 Tokenização em setenças
#
# Token é um pedaço de um todo, então:
#
# - uma palavra é um token em uma sentença;
# - uma sentença é um token em um paragrafo.
#
# Logo separar um paragrafo em sentenças é tokenizar sentenças.
# In[2]:
from nltk.tokenize import sent_tokenize
f = open('sample.txt')
dataset = f.read()
sentence_tokenized = sent_tokenize(dataset)
print(sentence_tokenized)
# In[3]:
len(sentence_tokenized)
# ### Tokenização em Português!
# In[4]:
import nltk.data
portuguese_tokenizer = nltk.data.load('tokenizers/punkt/PY3/portuguese.pickle')
portuguese_tokenizer.tokenize(dataset)
# ## 1.2 Tokenização em palavras
# In[5]:
from nltk.tokenize import word_tokenize
first_sentence_word_tokenized = word_tokenize(sentence_tokenized[0])
print(first_sentence_word_tokenized)## 1.3 Tokenização com expressão regular
# ## 1.3 Tokenização com expressão regular
#
# Por exemplo para pegar apenas palavras em um texto
# In[6]:
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer("[\w']+")
first_sentence_word_tokenized_without_punctuation = tokenizer.tokenize(sentence_tokenized[0])
print(first_sentence_word_tokenized_without_punctuation)
# ## 1.4 Treinando um tokenizador de sentenças
#
# O tokenizador do NLTK é para uso geral, nem sempre é a melhor opção para textos, dependendo da formatação do texto.
# In[7]:
from nltk.tokenize import PunktSentenceTokenizer
from nltk.corpus import webtext
text = webtext.raw('overheard.txt')
sent_tokenizer = PunktSentenceTokenizer(text)
# In[8]:
sents = sent_tokenizer.tokenize(text)
sents[0:10]
# Como podemos observador, as sentenças são separadas (tokenizadas) em conversas, por que o `PunktSentenceTokenizer` usa um algorítmo de unsupervised learning para aprender o que constitui uma quebra de sentença. É não-supervisionado por que você não precisa dar nenhum texto para treinamento do algoritmo, apenas o texto em si.
# ## 1.5 Filtrando stopwords
#
# Stopwords são palavras que geralmente não contribuem para o significado de uma sentença.
# In[9]:
from nltk.corpus import stopwords
portuguese_stops = set(stopwords.words('portuguese'))
words = first_sentence_word_tokenized_without_punctuation
words_without_stop = [word for word in words if word not in portuguese_stops]
print(words_without_stop)
# # 2. Substituindo e corrigindo palavras
#
# ## 1.1 Stemming
#
# Stemming é a técnica que remove os afixos das palavras, deixando apenas seu radical, existe uma versão em Português que é `RSLPStemmer`
# In[10]:
from nltk.stem import RSLPStemmer
stemmer = RSLPStemmer()
stem_acidente = stemmer.stem(words_without_stop[1]) #acidente
print(stem_acidente)
# Outro stemmer que pode ser usado é o SnowballStemmer, que tem opção pt-br:
# In[11]:
from nltk.stem import SnowballStemmer
stem_acidente = SnowballStemmer('portuguese')
stem_acidente.stem(words_without_stop[1]) #acidente
# Os resultados foram diferentes como podemos notar, então vale ver qual a aplicação, para decidir qual é o melhor.
# ## 3. Transformando texto raw no formato do NLTK
#
# NLTK tem seu formato de texto padrão, para converter o que é preciso ser feito:
#
# - Tokenizar o texto em palavras
# - Usar método de conversão para `nltk.txt``
# ### 3.1 Tokenizando em palavras
# In[12]:
text_tokenized = word_tokenize(dataset)
type(text_tokenized)
# ### 3.2 Convertendo
# In[13]:
text_format = nltk.Text(text_tokenized)
type(text_format)
# By transforming a raw text into a text we can use more NLTK features
# ### Análise de estrutura de texto
#
# A concordância nos permite ver palavras em contexto.
# In[14]:
text_format.concordance('acidente')
# In[15]:
text_format.similar('um')
# In[16]:
text_format.collocations()
# ## 4. Convertendo palavras combinando com expressões regulares
#
# Essa combinação é boa para converter palavras que foram diminuídas e problemas de linguagem.
#
# Por exemplo: 'Pq' > 'porque', 'Coé' > 'Qual é'
# In[17]:
import re
import unicodedata
replacement_patterns = [
(r'pq', 'porque'),
(r'coe', 'qual e'),
(r'vc', 'voce'),
]
def normalize_string(string):
if isinstance(string, str):
nfkd_form = unicodedata.normalize('NFKD', string.lower())
return nfkd_form.encode('ASCII', 'ignore').decode('utf-8')
def replace(text, patterns=replacement_patterns):
s = normalize_string(text)
patterns = [(re.compile(regex), repl) for (regex, repl) in patterns]
for (pattern, repl) in patterns:
s = re.sub(pattern, repl, s)
return s
# In[21]:
print(replace("Coé, pq vc fez isso?"))
# ### Extra: Enchant
#
# Existe uma biblioteca que faz correção ortográfica chamada (Enchant)[http://pythonhosted.org/pyenchant/tutorial.html], mas ela não possui dicionário em português:
# In[22]:
import enchant
print(enchant.list_languages())
# Análisando a frequência relativa de palavras
# In[19]:
from nltk import FreqDist
fd1 = FreqDist(text_format)
print(dict(fd1))