Python-テキスト分類

多くの場合、利用可能なテキストをいくつかの事前定義された基準によってさまざまなカテゴリに分類する必要があります。nltkは、さまざまなコーパスの一部としてそのような機能を提供します。以下の例では、映画レビューコーパスを見て、利用可能な分類を確認します。

# Lets See how the movies are classified
from nltk.corpus import movie_reviews
all_cats = []
for w in movie_reviews.categories():
    all_cats.append(w.lower())
print(all_cats)

上記のプログラムを実行すると、次の出力が得られます-

['neg', 'pos']

それでは、肯定的なレビューでファイルの1つの内容を見てみましょう。このファイルの文はトークン化されており、最初の4つの文を印刷してサンプルを確認します。

from nltk.corpus import movie_reviews
from nltk.tokenize import sent_tokenize
fields = movie_reviews.fileids()
sample = movie_reviews.raw("pos/cv944_13521.txt")
token = sent_tokenize(sample)
for lines in range(4):
    print(token[lines])

上記のプログラムを実行すると、次の出力が得られます-

meteor threat set to blow away all volcanoes & twisters !
summer is here again !
this season could probably be the most ambitious = season this decade with hollywood churning out films 
like deep impact , = godzilla , the x-files , armageddon , the truman show , 
all of which has but = one main aim , to rock the box office .
leading the pack this summer is = deep impact , one of the first few film 
releases from the = spielberg-katzenberg-geffen's dreamworks production company .

次に、これらの各ファイル内の単語をトークン化し、nltkのFreqDist関数を使用して最も一般的な単語を見つけます。

import nltk
from nltk.corpus import movie_reviews
fields = movie_reviews.fileids()
all_words = []
for w in movie_reviews.words():
    all_words.append(w.lower())
all_words = nltk.FreqDist(all_words)
print(all_words.most_common(10))

上記のプログラムを実行すると、次の出力が得られます-

[(,', 77717), (the', 76529), (.', 65876), (a', 38106), (and', 35576), 
(of', 34123), (to', 31937), (u"'", 30585), (is', 25195), (in', 21822)]