| title | description | prev | next | type | id |
|---|---|---|---|---|---|
第二章：使用spaCy进行大规模数据分析 |
在本章中，我们会用一些新技术来从大量语料中抽取特定信息。 我们会学习如何利用spaCy的数据结构来结合统计与规则模型进行文本分析。 |
/chapter1 |
/chapter3 |
chapter |
2 |
- 在
nlp.vocab.strings中查找字符串"猫"来得到哈希值。 - 查找这个哈希值来返回原先的字符串。
- 你可以像使用一个普通的Python字典一样使用
nlp.vocab.strings中存储的字符串。 举个例子，nlp.vocab.strings["独角兽"]会返回哈希值，再查找这个哈希值 就会返回字符串"独角兽"。
- 在
nlp.vocab.strings中查找字符串标签"PERSON"来得到哈希值。 - 查找这个哈希值来返回原先的字符串。
- 你可以像使用一个普通的Python字典一样使用
nlp.vocab.strings中存储的字符串。 举个例子，nlp.vocab.strings["独角兽"]会返回哈希值，再查找这个哈希值 就会返回字符串"独角兽"。
为什么这段代码抛出了错误信息？
from spacy.lang.en import English
from spacy.lang.de import German
# 创建一个英文和德文的nlp实例
nlp = English()
nlp_de = German()
# 获取字符串'Bowie'的ID
bowie_id = nlp.vocab.strings["Bowie"]
print(bowie_id)
# 在vocab中查找"Bowie"的ID
print(nlp_de.vocab.strings[bowie_id])哈希值是不能逆求原始值的。为了解决这个问题， 我们要通过处理文本或者查找字符串把词组加入到新的vocab中， 或者使用同样的vocab把哈希值变回一个字符串。
任何字符串都可以转变为一个哈希值。
变量名nlp只是一个约定俗成的名字。如果你的代码中用了nlp而不是nlp_de，
程序会把已经存在的nlp实例包括其vocab覆盖掉。
让我们来从头开始创建Doc这种实例。
- 从
spacy.tokens中导入Doc - 用
words和spaces创建一个Doc。别忘了把vocab传进去！
Doc类需要3个参数：共享的词汇表，通常是nlp.vocab；
一个词组words的列表；
一个空格spaces的列表，里面是一系列的布尔值表示对应词汇后面是否跟着空格。
- 从
spacy.tokens中导入Doc - 用
words和spaces创建一个Doc。别忘了把vocab传进去！
检查目标文本输出中的每一个词后面是否跟着一个空格。
如果是spaces的值就是True，否则就是False。
- 从
spacy.tokens中导入Doc - 完成
words和spaces来匹配目标文本并创建一个doc。
注意那些单独的词符。
如果想看下spaCy通常是如何对字符串进行分词，你可以试下打印nlp("Oh, really?!")的词符。
在这个练习中，我们要手动创建Doc和Span实例，然后更新命名实体。
实际中spaCy在后台也就是这么做的。
一个共享的nlp实例已经创建好了。
- 从
spacy.tokens中导入Doc和Span。 - 用
Doc类使用词组和空格直接创建一个doc实例。 - 用
doc实例创建一个"David Bowie"的Span，赋予它"PERSON"的标签。 - 用一个实体的列表，也就是"David Bowie"
span，来覆盖doc.ents。
Doc类用三个参数来初始化：共享的词汇表比如nlp.vocab，一个词组的列表 以及一个布尔值的列表代表了每个词后面是否跟着一个空格。Span类用四个参数来初始化：一个doc的引用，起始词符索引，终止词符索引， 以及一个可选的标签。doc.ents属性是可写的，所以我们可以赋予它任何含有Span实例的可遍历的数据结构。
import spacy
nlp = spacy.load("zh_core_web_sm")
doc = nlp("北京是一座美丽的城市")
# 获取所有的词符和词性标注
token_texts = [token.text for token in doc]
pos_tags = [token.pos_ for token in doc]
for index, pos in enumerate(pos_tags):
# 检查当前词符是否是专有名词
if pos == "PROPN":
# 检查下一个词符是否是动词
if pos_tags[index + 1] == "VERB":
result = token_texts[index]
print("Found proper noun before a verb:", result)这段代码哪里不对？
我们并不需要把字符串变回Token实例。
实际上我们应该要避免把词符变成字符串，因为这样的话
我们就不能够读取其属性和关系了。
一般来说我们到了最后才会考虑将结果转成字符串。 使用原生的词符属性也能保证前后一致。
.pos_属性返回的是粗粒度的词性标注结果，
"PROPN"才是正确的专有名词标签。
- 用原生的词符属性而不是
token_texts和pos_tags的列表来重写代码。 - 在
doc中遍历每一个token并检查其token.pos_属性。 - 用
doc[token.i + 1]来检查下一个词符及其.pos_属性 - 如果找到一个处于动词前的专有名词，我们就打印其
token.text。
- 删除
token_texts和pos_tags因为我们并不需要提前编译一个字符串的列表。 - 我们不应该遍历
pos_tags，而应该是在doc中遍历每一个token并且获取其token.pos_属性。 - 读取
doc[token.i + 1].pos_来检查下一个词符是否是动词。
在这个练习中我们要用到一个更大的中文模型， 该模型有大概两万个词向量。这里模型已经提前安装好了。
- 读取中等大小的
"zh_core_web_md"模型，该模型含有词向量 - 用
token.vector属性来打印"老虎"的向量。
- 用
spacy.load调用模型名字来读取统计模型。 - 可以直接用索引来读取doc中的一个词符token，比如
doc[4]。
在这个练习中我们要用spaCy的similarity方法来比较
Doc、Token和Span实例，得到相似度分数。
- 使用
doc.similarity方法来比较doc1和doc2的相似度并打印结果。
doc.similarity方法需要一个参数：需要和当前实例计算相似度的另一个实例。
- 使用
token.similarity方法来比较token1和token2的相似度并打印结果。
token.similarity方法需要一个参数：需要和当前实例计算相似度的另一个实例。
- 为"不错的餐厅"/"很好的酒吧"创建跨度(span)。
- 使用
span.similarity来比较它们并打印结果。
为什么这个模板不能匹配到doc中的词符"Silicon Valley"？
pattern = [{"LOWER": "silicon"}, {"TEXT": " "}, {"LOWER": "valley"}]doc = nlp("Can Silicon Valley workers rein in big tech from within?")模板中的"LOWER"属性描述了那些_小写字母形式_能匹配到指定值的词符。
所以{"LOWER": "valley"}是可以匹配到诸如"Valley","VALLEY", "valley"
这样的词符的。
分词器已经自动用空格来分割文本了，模板中的每一个字典描述了一个词符。
所有词符默认被模板匹配刚好1次。 运算符是用来改变这种情况的，比如要匹配0次或者多于1次。
这个练习中的两个模板都出错了，匹配不到我们想要的结果。
你能改正它们吗？要是你卡住了，可以尝试把doc中的词符打印出来，
看看这些文本应该怎样被分割，然后调整你的模板保证每个字典表示一个词符。
- 编辑
pattern1使其可以正确匹配到所有的形容词后面跟着"笔记本"。 - 编辑
pattern2使其可以正确匹配到"锐龙"加上后面的数字 (LIKE_NUM) 和符号 (IS_ASCII) 。
- 试着处理那些能匹配到
nlp实例的字符串，比如[token.text for token in nlp("锐龙4000U")]。 - 检查这些词符，确保模板中的每个字典正确描述了一个词符。
有时候相比起写一些描述单个词符的模板，直接精确匹配字符串可能更高效。
在面对有限个种类的东西时尤其如此，比如世界上的所有国家。
我们已经有一个国家的列表，所以我们用它作为我们信息提取代码的基础。
变量COUNTRIES中存取了这些字符串名字的列表。
- 导入
PhraseMatcher并用含有共享vocab的变量matcher来初始化。 - 加入短语模板并在'doc'上面调用matcher
共享vocab在nlp.vocab中。
在上一个练习中，我们写了一段代码用spaCy的PhraseMatcher来寻找文本中的国家名。
我们现在用这个国家匹配器来匹配一段更长的文本，分析句法，
并用匹配到的国家名更新文档中的实体。
- 对匹配结果进行遍历，
创建一个标签为
"GPE"(geopolitical entity，地理政治实体)的Span。 - 覆盖
doc.ents中的实体，加入匹配到的跨度span。 - 获取匹配到的跨度span中的根词符的头。
- 打印出词符头和跨度span的文本。
- 记住文本信息是在变量
text中。 - 跨度span的根词符是在
span.root中。一个词符的头是在token.head属性中。