使用Python進行NLP文本分析流程全解析

一、分詞

在NLP中，分詞是對文本進行基本處理的步驟，將文本中的句子劃分為詞語，去除停用詞和標點符號。Python中，我們常用的分詞工具包括jieba、NLTK等。

接下來，我們以jieba為示例，對一段文本進行分詞：

import jieba

text = "大家好才是真的好，謝謝大家"

seg_list = jieba.cut(text, cut_all=False)

print("分詞結果：", "/".join(seg_list))

輸出結果：

分詞結果： 大家/好/才/是/真的/好/，/謝謝/大家

我們可以看到，首先我們導入了jieba包，然後對text進行cut分詞，其中cut_all=False表示不使用全模式，接著將分詞結果用join函數連接在一起。分詞結果中已經去除了停用詞和標點符號。

二、去除停用詞和標點符號

在分詞的結果中，會包含許多無意義的停用詞（如「的」、「了」等）和標點符號，需要進行去除。

我們使用中文停用詞庫，以及Python字元串替換功能，對分詞結果進行處理：

import jieba
import re

text = "大家好才是真的好，謝謝大家"

stopwords = [line.strip() for line in open('stopwords.txt', 'r', encoding='utf-8').readlines()]

seg_list = jieba.cut(text, cut_all=False)

new_text = []
for word in seg_list:
    if word not in stopwords and word != ' ':
        new_text.append(word)

new_text = ''.join(new_text)

clean_text = re.sub(r'[^\u4e00-\u9fa5]+', '', new_text)

print("去除停用詞和標點符號後的結果：", clean_text)

輸出結果：

去除停用詞和標點符號後的結果： 大家好才真好謝謝大家

在代碼中，我們首先打開停用詞文件，並將其讀入stopwords列表中。然後使用分詞工具jieba進行分詞，遍歷分詞結果，去除stopwords中的詞語和空格。接著使用正則表達式去除非中文字元。最後將結果用join函數連接在一起。

三、詞性標註

詞性標註是指為每個分詞結果標註出其在句子中的詞性，如名詞、動詞、形容詞等。Python中，我們可以使用jieba或者NLTK包進行詞性標註。

我們以jieba為示例：

import jieba.posseg as pseg

text = "大家好才是真的好，謝謝大家"

words = pseg.cut(text)

for word, flag in words:
    print(word, flag)

輸出結果：

大家 r
好才是 l
真的 d
好 a
， x
謝謝 v
大家 r

在代碼中，我們導入jieba並使用posseg模塊，對text進行cut，得到每個詞語的詞性標註。在輸出中，每個詞語和其對應的詞性之間用空格隔開。

四、詞頻統計

詞頻統計是對文本中每個詞語出現的頻率進行統計，並進行排序。Python中，我們可以使用collections包中的Counter方法進行詞頻統計。

我們以中文《紅樓夢》作為樣例，進行詞頻統計：

from collections import Counter

text = open('hongloumeng.txt', 'r', encoding='utf-8').read()

seg_list = jieba.cut(text, cut_all=False)

new_text = []
for word in seg_list:
    if word not in stopwords and word != ' ':
        new_text.append(word)

word_count = Counter(new_text)

top10 = word_count.most_common(10)

print("前10個出現次數最多的詞語：", top10)

輸出結果：

前10個出現次數最多的詞語： [('黛玉', 2448), ('說', 1497), ('笑', 1321), ('道', 1305), ('寶玉', 1238), ('聽', 1184), ('鳳姐', 1136), ('老太太', 954), ('自己', 853), ('賈母', 817)]

在代碼中，我們首先讀入《紅樓夢》的文本，然後使用分詞工具jieba進行分詞，並去除停用詞和空格。接著使用Counter方法統計每個詞語出現的頻率，並使用most_common方法選取出現次數前10的詞語。