NLTK 书第 6 章第 2.1 节中的代码调用电影评论语料库进行文档分类。书中代码如下:
from nltk.corpus import movie_reviews
documents = [(list(movie_reviews.words(fileid)), category)
for category in movie_reviews.categories()
for fileid in movie_reviews.fileids(category)]
random.shuffle(documents)
我有自己的数据集，在电子邮件文本之间用逗号分隔(文本，类别)，并且该类别的正数或负数。我可以在我自己的文件上调用 .words() 吗？另外，代码调用 movie_reviews.categories() 时意味着什么。我无法理解如何构建数据以将其转换为代码所需的形式。我已经查看了各个语料库文件，但我不知道从这里该做什么。任何帮助，将不胜感激。谢谢!
最佳答案
words() 根据 the documentation 仅返回“给定文件作为单词和标点符号的列表” 。在这方面，您绝对可以在您拥有的任何文本文件上调用 nltk.corpus.words()。
至于categories()，further down在文档中，它说它“返回为此语料库或文件(如果给定)定义的类别列表。”然而，它的来源有点模糊。请注意，不同的语料库有不同的方式来指示其类别。 movie_reviews 是通过目录名称来实现的，但 abc 和 reuters 在文件中有明确的类别。 qc 的类别与文本位于同一文件中。
可能需要对您自己的数据进行一些试验，看看是否可以复制此行为，但合理的第一步是将包含数据子集的目录添加到nltk_data/corpora 并尝试使用您在其他语料库中看到的格式。
关于python - NLTK文档分类，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/20649682/