词性标注和实体识别-python
我想在python中执行词性标注和实体识别，类似于R中openNLP的Maxent_POS_Tag_注释器和Maxent_entity_注释器函数。我更喜欢python中的代码，它将输入作为文本句子，并将输出作为不同的特征，如“CC”的数量、“CD”的数量、“DT”的数量等。。CC、CD、DT是宾州树状银行中使用的POS标签。因此，词性标记应该有36列/特征，对应于中的36个词性标记。我想在Azure ML“执行Python脚本”模块上实现这一点，Azure ML支持Python 2.7.7。我听说python中的nltk可以完成这项工作，但我是python的初学者。任何帮助都将不胜感激 看一看单词分类和标记部分 简单示例，它使用Penn Treebank标记集：词性标注和实体识别-python,python,azure,named-entity-recognition,part-of-speech,azure-machine-learning-studio,Python,Azure,Named Entity Recognition,Part Of Speech,Azure Machine Learning Studio,我想在python中执行词性标注和实体识别，类似于R中openNLP的Maxent_POS_Tag_注释器和Maxent_entity_注释器函数。我更喜欢python中的代码，它将输入作为文本句子，并将输出作为不同的特征，如“CC”的数量、“CD”的数量、“DT”的数量等。。CC、CD、DT是宾州树状银行中使用的POS标签。因此，词性标记应该有36列/特征，对应于中的36个词性标记。我想在Azure ML“执行Python脚本”模块上实现这一点，Azure ML支持Python 2.7.7。我
from nltk.tag import pos_tag
from nltk.tokenize import word_tokenize
pos_tag(word_tokenize("John's big idea isn't all that bad."))
[('John', 'NNP'),
("'s", 'POS'),
('big', 'JJ'),
('idea', 'NN'),
('is', 'VBZ'),
("n't", 'RB'),
('all', 'DT'),
('that', 'DT'),
('bad', 'JJ'),
('.', '.')]
from collections import defaultdict
counts = defaultdict(int)
for (word, tag) in pos_tag(word_tokenize("John's big idea isn't all that bad.")):
counts[tag] += 1
defaultdict(<type 'int'>, {'JJ': 2, 'NN': 1, 'POS': 1, '.': 1, 'RB': 1, 'VBZ': 1, 'DT': 2, 'NNP': 1})
defaultdict（，{'JJ'：2，'NN'：1，'POS'：1，'VBZ'：1，'DT'：2，'NNP'：1}）
from nltk.tag import pos_tag
from nltk.tokenize import word_tokenize
pos_tag(word_tokenize("John's big idea isn't all that bad."))
[('John', 'NNP'),
("'s", 'POS'),
('big', 'JJ'),
('idea', 'NN'),
('is', 'VBZ'),
("n't", 'RB'),
('all', 'DT'),
('that', 'DT'),
('bad', 'JJ'),
('.', '.')]
from collections import defaultdict
counts = defaultdict(int)
for (word, tag) in pos_tag(word_tokenize("John's big idea isn't all that bad.")):
counts[tag] += 1
defaultdict(<type 'int'>, {'JJ': 2, 'NN': 1, 'POS': 1, '.': 1, 'RB': 1, 'VBZ': 1, 'DT': 2, 'NNP': 1})
defaultdict（，{'JJ'：2，'NN'：1，'POS'：1，'VBZ'：1，'DT'：2，'NNP'：1}）
from nltk.tag import pos_tag
from nltk.tokenize import word_tokenize
pos_tag(word_tokenize("John's big idea isn't all that bad."))
[('John', 'NNP'),
("'s", 'POS'),
('big', 'JJ'),
('idea', 'NN'),
('is', 'VBZ'),
("n't", 'RB'),
('all', 'DT'),
('that', 'DT'),
('bad', 'JJ'),
('.', '.')]
from collections import defaultdict
counts = defaultdict(int)
for (word, tag) in pos_tag(word_tokenize("John's big idea isn't all that bad.")):
counts[tag] += 1
defaultdict(<type 'int'>, {'JJ': 2, 'NN': 1, 'POS': 1, '.': 1, 'RB': 1, 'VBZ': 1, 'DT': 2, 'NNP': 1})
defaultdict（，{'JJ'：2，'NN'：1，'POS'：1，'VBZ'：1，'DT'：2，'NNP'：1}）
from nltk.tag import pos_tag
from nltk.tokenize import word_tokenize
pos_tag(word_tokenize("John's big idea isn't all that bad."))
[('John', 'NNP'),
("'s", 'POS'),
('big', 'JJ'),
('idea', 'NN'),
('is', 'VBZ'),
("n't", 'RB'),
('all', 'DT'),
('that', 'DT'),
('bad', 'JJ'),
('.', '.')]
from collections import defaultdict
counts = defaultdict(int)
for (word, tag) in pos_tag(word_tokenize("John's big idea isn't all that bad.")):
counts[tag] += 1
defaultdict(<type 'int'>, {'JJ': 2, 'NN': 1, 'POS': 1, '.': 1, 'RB': 1, 'VBZ': 1, 'DT': 2, 'NNP': 1})
defaultdict（，{'JJ'：2，'NN'：1，'POS'：1，'VBZ'：1，'DT'：2，'NNP'：1}）