【自然语言处理系列】探索NLP：使用Spacy进行分词、分句、词性标注和命名实体识别,并以《傲慢与偏见》与全球恐怖活动两个实例文本进行分析

 本文深入探讨了scaPy库在文本分析和数据可视化方面的应用。首先，我们通过简单的文本处理任务，如分词和分句，来展示scaPy的基本功能。接着，我们利用scaPy的命名实体识别和词性标注功能，分析了Jane Austen的经典小说《傲慢与偏见》，识别出文中的主要人物和地点。最后，我们将这些文本分析技术应用于全球恐怖活动的数据集中，揭示了不同恐怖组织在全球各地的活动分布。文章展示了如何用scaPy进行复杂的文本挖掘和数据分析，为研究和政策制定提供见解。

目录

一、文本处理-分词和分句

二、词性标注

三、命名体识别

四、名字实体识别------以Jane Austen 的小说《傲慢与偏见》为例 

五、恐怖袭击分析（实例）

 

Spacy是一个先进的自然语言处理（NLP）库，设计用于帮助开发者构建处理大量文本数据的应用程序。Spacy的主要优势在于其优秀的性能和可扩展性，使其能够支持快速的文本处理任务，如分词、词性标注、命名实体识别和依赖关系解析等。此外，Spacy还提供了预训练的统计模型和Word Embeddings，这使得它在学术和工业界NLP项目中是一个非常受欢迎的选择。由于这些功能，Spacy在处理多语言文本数据时显得尤为出色，被广泛应用于各种NLP和机器学习项目中。

一、文本处理-分词和分句

# 导入工具包和英文模型
import spacy
nlp = spacy.load("en_core_web_sm")#读进英文模型

doc = nlp('Weather is good, very windy and sunny. We have no classes in the afternoon.')
# 分词
for token in doc:print (token)

#分句
for sent in doc.sents:print (sent)

二、词性标注

for token in doc:print ('{}-{}'.format(token,token.pos_))

三、命名体识别

首先，它将文本 "I went to Paris where I met my old friend Jack from uni." 传递给 nlp() 函数，该函数将文本处理成一个文档对象。然后，通过遍历文档对象的实体（ent），打印出每个实体及其对应的标签（label）。 

import spacy
nlp = spacy.load("en_core_web_sm")#读进英文模型
doc_2 = nlp("I went to Paris where I met my old friend Jack from uni.")
for ent in doc_2.ents:print ('{}-{}'.format(ent,ent.label_))#label就是指它是什么类型的

from spacy import displacy
doc = nlp('I went to Paris where I met my old friend Jack from uni.')
displacy.render(doc,style='ent',jupyter=True)

四、名字实体识别------以Jane Austen 的小说《傲慢与偏见》为例 

本小节通过使用 spaCy 库进行自然语言处理 (NLP) 来分析 Jane Austen 的小说《傲慢与偏见》中出现的人物名称，以及每个人物名称出现的频次。首先，定义了一个名为 read_file 的函数，用于读取文本文件的内容。该函数通过 open 函数打开文件，并调用 read 函数来读取文件的内容。接下来，加载了 spaCy 的英文语言模型 nlp，并将小说文本 text 传递给 nlp 函数进行实例化。然后，使用列表推导式，遍历processed_text.sents，将每个句子存储在sentences列表中。接下来，定义了一个名为 find_person 的函数，用于查找文本中出现的人物名称及其频次。该函数首先创建了一个空的 Counter 对象 c，然后遍历文本中所有的实体 (ent)，如果实体的标签是 PERSON，则将其 lemma（词干形式）加入到 Counter 对象 c 中，并增加计数器的值。最后，调用 find_person 函数，将整个文本传递给该函数，并打印出人物名称及其出现的频次。输出结果将是一个列表，列表中包含了出现频次最多的 10 个人物名称及其出现的频次。

def read_file(file_name):with open(file_name, 'r') as file:return file.read()
# 加载文本数据
text = read_file('./data/pride_and_prejudice.txt')#《傲慢与偏见》这篇小说
processed_text = nlp(text)#将text实例化一下
sentences = [s for s in processed_text.sents]
print (len(sentences))
# sentences[:5]
from collections import Counter,defaultdict 
def find_person(doc):c = Counter()for ent in processed_text.ents:if ent.label_ == 'PERSON':c[ent.lemma_]+=1return c.most_common(10)
print (find_person(processed_text))

五、恐怖袭击分析（实例）

本小节主要目的是分析一组关于恐怖主义的文章，并统计常见恐怖组织与特定地点之间的关联频率。在处理了名为data/rand-terrorism-dataset.txt的文本文件后，代码首先使用spacy的英文模型将文本转换为小写并识别其中的实体。实体包括人名（PERSON）、组织名（ORG）和地点（GPE）。接着，定义了两个列表：common_terrorist_groups包含了一些常见的恐怖组织名称，而common_locations则包含了一些常见的地点名称。在处理每行文本时，代码会找出文章中提到的恐怖组织和地点，并将它们与预定义的常见恐怖组织和地点列表进行匹配。如果文章中的某个实体同时出现在这两个列表中，那么这个实体和地点的组合就会被记录下来，并在location_entity_dict字典中进行计数。最后，使用pandas库，将location_entity_dict转换为一个DataFrame对象，名为location_entity_df。这个数据框的每一行代表一个恐怖组织，每一列代表一个地点，而单元格中的值表示该恐怖组织与该地点共同出现的次数。

# 导入工具包和英文模型  
import spacy  
nlp = spacy.load("en_core_web_sm")#读进英文模型  
def read_file_to_list(file_name):  with open(file_name, 'r') as file:  return file.readlines()  
terrorism_articles = read_file_to_list('data/rand-terrorism-dataset.txt')  
#read_file_to_list函数将文本文件按行分割成了一个列表  
terrorism_articles_nlp = [nlp(art.lower()) for art in terrorism_articles]  
common_terrorist_groups = [  'taliban',   'al-qaeda',   'hamas',    'fatah',   'plo',   'bilad al-rafidayn'  
]  common_locations = [  'iraq',  'baghdad',   'kirkuk',   'mosul',   'afghanistan',   'kabul',  'basra',   'palestine',   'gaza',   'israel',   'istanbul',   'beirut',   'pakistan'  
]  
location_entity_dict = defaultdict(Counter)  for article in terrorism_articles_nlp:  article_terrorist_groups = [ent.lemma_ for ent in article.ents if ent.label_=='PERSON' or ent.label_ =='ORG']#人或者组织  article_locations = [ent.lemma_ for ent in article.ents if ent.label_=='GPE']  terrorist_common = [ent for ent in article_terrorist_groups if ent in common_terrorist_groups]  locations_common = [ent for ent in article_locations if ent in common_locations]  for found_entity in terrorist_common:  for found_location in locations_common:  location_entity_dict[found_entity][found_location] += 1  
import pandas as pd  location_entity_df = pd.DataFrame.from_dict(dict(location_entity_dict),dtype=int)  
location_entity_df = location_entity_df.fillna(value = 0).astype(int)  
location_entity_df  

 

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(12, 10))
hmap = sns.heatmap(location_entity_df, annot=True, fmt='d', cmap='YlGnBu', cbar=False,square=False,annot_kws={"fontsize": 18})# 添加信息
plt.title('Global Incidents by Terrorist group',fontsize=20)
plt.xticks(rotation=30,fontsize=15)
plt.yticks(rotation=30,fontsize=15)
plt.show()

 从上图，可以看出，塔利班（Taliban）在阿富汗（afghanistan）地区进行的恐怖袭击次数最多，为264次。