python-使用nltk和scikit从文本中为标记云选择最相关的单词

我想从文本中获取最相关的单词，以便准备标记云

我使用了scikit学习包中的CountVector：

cv = CountVectorizer(min_df=1, charset_error="ignore",
    stop_words="english", max_features=200)

这很好，因为它给了我单词和频率：

counts = cv.fit_transform([text]).toarray().ravel()
words = np.array(cv.get_feature_names())

我可以过滤掉不常用的单词：

words = words[counts > 1]
counts = counts[counts > 1]

除了文字，还有数字：

words = words[np.array(map(lambda x: x.isalpha(), words))]
counts = counts[np.array(map(lambda x: x.isalpha(), words))]

但它仍然不完美

我的问题是：

如何过滤动词

如何进行词干分析以消除同一单词的不同形式

如何调用CountVectorier过滤掉两个字母的单词

请注意：

我对nltk很满意，但像“你应该试试nltk”这样的回答不是答案，请给我一个代码

我不想使用贝叶斯分类器和其他需要训练模型的技术。我没有时间做这些，也没有示例来训练分类器

语言是英语

---

1-如何过滤动词

取决于要支持的语言。你需要一对好的句子+单词标记器和一个词性标记器。这三个组件通常使用机器学习模型实现（尽管使用基于规则的句子和单词标记器可以获得很好的结果）。如果您只想支持英语，您可以在nltk中找到经过预培训的模型，但我不是专家，您必须阅读文档和教程：）

一旦您知道如何将文本拆分为句子和单词，并识别和删除动词，您就可以将其包装为python函数，并将其传递给

countvectorier

构造函数，如下所示

2-如何执行词干分析以消除同一单词的不同形式

您必须将可调用的自定义

tokenizer

python传递给

CountVectorizer

构造函数，以同时处理令牌提取、词干分析和可选过滤。这一点在本节中进行了解释

对于词干本身，这取决于您想要支持的语言，但您可以从开始

有一个pull请求，使插入茎秆分析器更自然：

3-如何调用CountVectorizer过滤掉两个字母单词

您可以更改用于标记化的默认正则表达式：

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> CountVectorizer().token_pattern
u'(?u)\\b\\w\\w+\\b'
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,}\\b').build_tokenizer()(
...    'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde', 'xxxxxxxxxxxxxxxxxxxxxx']
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,9}\\b').build_tokenizer()(
...     'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde']

但在您的情况下，您可能希望整体替换标记器。你仍然可以看一看

不过有一点值得注意：要构建标记云，直接使用nltk和python标准库中的

collections.Counter

类可能要容易得多。sklearn对这项任务没有什么帮助。

因为它在“请注意”部分？