文本數(shù)據(jù)分析：詞形歸一化

　　在英文中，一個(gè)單詞常常是另一個(gè)單詞的變種，比如looking是look這個(gè)單詞的一般進(jìn)行式，looked為一般過去式，這些都會(huì)影響語料庫學(xué)習(xí)的準(zhǔn)確度。一般在信息檢索和文本挖掘時(shí)，需要對(duì)一個(gè)詞的不同形態(tài)進(jìn)行規(guī)范化，以提高文本處理的效率。

　　詞形規(guī)范化過程主要包括兩種：詞干(由詞根與詞綴構(gòu)成的，一個(gè)詞除去詞尾的部分)提取和詞形還原，它們的相關(guān)說明如下：

　　(1)詞干提取(stemming)：是指刪除不影響詞性的詞綴(包括前綴、后綴、中綴、環(huán)綴)，得到單詞詞干的過程。例如：watching → watch，watched → watch。

　　(2)詞形還原(lemmatization)：與詞干提取相關(guān)，不同的是能夠捕捉基于詞根的規(guī)范單詞形式。例如：

　　better → good，went → go。

　　對(duì)于詞干提取來說，nltk.stem模塊中提供了多種詞干提取器，目前最受歡迎的就是波特詞干提取器，它是基于波特詞干算法來提取詞干的，這些算法都集中在PoterStemmer類中。下面是基于PorterStemmer類提取詞干的示例，具體如下。

In [9]: # 導(dǎo)入nltk.stem模塊的波特詞干提取器
        from nltk.stem.porter import PorterStemmer
        # 按照波特算法提取詞干
        porter_stem=PorterStemmer()
        porter_stem.stem('watched')
Out[9]: 'watch'
In [10]: porter_stem.stem('watching')
Out[10]: 'watch'

　　還可以用蘭卡斯特詞干提取器提取，它是一個(gè)迭代提取器，具有超過120條規(guī)則來具體說明如何刪除或替換詞綴以獲得詞干。蘭卡斯特詞干提取器基于蘭卡斯特詞干算法，這些算法都集中在LancasterStemmer類中。以下代碼顯示了LancasterStemmer類提取詞干的用法，示例代碼如下。

In [11]: from nltk.stem.lancaster import LancasterStemmer
         lancaster_stem=LancasterStemmer()
         # 按照蘭卡斯特算法提取詞干
         lancaster_stem.stem('jumped')
Out[11]: 'jump'
In [12]: lancaster_stem.stem('jumping')
Out[12]: 'jump'

　　還有一些其他的詞干器，比如SnowballStemmer，它除了支持英文以外，還支持其他13種不同的語言，用法示例如下。

In [13]: from nltk.stem import SnowballStemmer
         snowball_stem=SnowballStemmer('english')
         snowball_stem.stem('listened')
Out[11]: 'listen'
In [12]: snowball_stem.stem('listening')
Out[14]:'listen'

　　注意：在創(chuàng)建SnowballStemmer實(shí)例時(shí)，必須要傳入一個(gè)表示語言的字符串給language參數(shù)。