Stemming unstrukturierten Text in NLTK

Question

Ich habe versucht, die Regex Stemmer, aber ich bekomme Hunderte von nicht miteinander verwandten Token. Ich bin nur am "Spiel" -Stamm interessiert. Hier ist der Code Ich arbeite mit:

import nltk 
from nltk.book import * 
f = open('tupac_original.txt', 'rU') 
text = f.read() 
text1 = text.split() 
tup = nltk.Text(text1) 
lowtup = [w.lower() for w in tup if w.isalpha()] 
import sys, re 
tupclean = [w for w in lowtup if not w in nltk.corpus.stopwords.words('english')] 
from nltk import stem 
tupstem = stem.RegexpStemmer('az$|as$|a$') 
[tupstem.stem(i) for i in tupclean] 

Das Ergebnis der oben ist;

['like', 'ed', 'young', 'black', 'like'...] 

Ich versuche .txt Dateien zu bereinigen (alle Klein, entfernen Sie Stoppwörter, etc.), normalisieren mehrere Schreibweisen eines Wortes in ein und eine Frequenz dist/Zählung tun. Ich weiß, wie man macht FreqDist, aber irgendwelche Vorschläge, wo ich mit der Stemming falsch liege?

Answer 1

Es gibt mehrere vorcodierte bekannte Stemmer in NLTK, siehe http://nltk.org/api/nltk.stem.html und unten zeigt ein Beispiel.

>>> from nltk import stem 
>>> porter = stem.porter.PorterStemmer() 
>>> lancaster = stem.lancaster.LancasterStemmer() 
>>> snowball = stem.snowball.EnglishStemmer() 
>>> tokens = ['player', 'playa', 'playas', 'pleyaz'] 
>>> [porter(i) for i in tokens] 
>>> [porter.stem(i) for i in tokens] 
['player', 'playa', 'playa', 'pleyaz'] 
>>> [lancaster.stem(i) for i in tokens] 
['play', 'play', 'playa', 'pleyaz'] 
>>> [snowball.stem(i) for i in tokens] 
[u'player', u'playa', u'playa', u'pleyaz'] 

Aber was brauchen Sie wahrscheinlich so etwas wie ein regex stemmer,

>>> from nltk import stem 
>>> rxstem = stem.RegexpStemmer('er$|a$|as$|az$') 
>>> [rxstem.stem(i) for i in tokens] 
['play', 'play', 'play', 'pley']