1. 读邮件数据集文件，提取邮件本身与标签。
列表
numpy数组
2.邮件预处理
- 邮件分句
- 句子分词
- 大小写，标点符号，去掉过短的单词
- 词性还原：复数、时态、比较级
- 连接成字符串
2.1 传统方法来实现
图1 来自老师讲解
2.2 nltk库的安装与使用
pip install nltk
import nltk
nltk.download() # sever地址改成 http://www.nltk.org/nltk_data/
或
https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。
将Packages文件夹改名为nltk_data。
或
网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew 提取码：o5ea
放在用户目录。
----------------------------------
安装完成，通过下述命令可查看nltk版本：
import nltk
print nltk.__doc__
图2 版本号和一个实例
2.1 nltk库 分词
nltk.sent_tokenize(text) #对文本按照句子进行分割
nltk.word_tokenize(sent) #对句子进行分词
2.2 punkt 停用词
from nltk.corpus import stopwords
stops=stopwords.words('english')
*如果提示需要下载punkt
nltk.download(‘punkt’)
或 下载punkt.zip
https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ 密码：mema
复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。
2.3 NLTK 词性标注
nltk.pos_tag(tokens)
2.4 Lemmatisation（词性还原）
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
lemmatizer.lemmatize('leaves') #缺省名词
lemmatizer.lemmatize('best',pos='a')
lemmatizer.lemmatize('made',pos='v')
一般先要分词、词性标注，再按词性做词性还原。
2.5 编写预处理函数
def preprocessing(text):
sms_data.append(preprocessing(line[1])) #对每封邮件做预处理
源代码：
import csv
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
def preprocessing(text): #预处理
tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]#分词
print("去掉停用词前数据长度：", len(tokens))
stops = stopwords.words("english")#停用词
tokens = [token for token in tokens if token not in stops]#
print("去掉停用词后数据长度：",len(tokens))
tokens = [token.lower() for token in tokens if len(token) >= 3]#将大写字母变为小写
lemmatizer = WordNetLemmatizer() #构建词性转换器
tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]#词性还原:复数，名词
tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]#比较级，形容词
tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]#时态，动词
print("词性还原后的数据：",tokens)
return tokens #返回处理结果
file_path=r'C:\Users\AAAA\PycharmProjects\untitled\data\SMSSpamCollection' #读取文件
sms=open(file_path,'r',encoding='utf-8') #打开文件
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t') #读取文件
for line in csv_reader: #对每封邮件做预处理
sms_label.append(line[0]) #第一个字段存为一个类别，标签
sms_data.append(preprocessing(line[1])) #第二个字段存为一个类别，邮件内容
sms.close()
print("邮件类别:",sms_label)
print("处理后的邮件内容:",sms_data)
图3 编码页面
图4 输出结果界面
3. 训练集与测试集
4. 词向量
5. 模型