0927-python学习总结Python是一种面向对象、解释型（编译型依赖于平台，如C，解释型拥有较好的跨平台性）、强类型的动态脚本语言。使用简洁、方便。特色：语法清晰可扩展性，具有丰富和强大的类库1.命令行编译exit（）退出2.语言基础语法标识符第一个字符必须是字母表中字母或下划线 _ 。 标识符的其他的部分由字母、数字和下划线组成。 标识符对大小写敏感。在 Python 3 中，可以用中文
转载
2023-08-26 16:18:05
153阅读
这是对涂铭等老师撰写的《Python自然语言处理实战：核心技术与算法》中第4章词性标注与命名实体识别的学习笔记。 这里写目录标题词性的类型总结利用jieba进行词性标注日期识别地点识别总结 词性的类型总结# 词性列表
1. 名词 (1个一类，7个二类，5个三类)
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构
转载
2023-06-20 22:16:53
165阅读
1. 准备工作：分词和清洗
1. import nltk
2. from nltk.corpus import stopwords
3. from nltk.corpus import brown
4. import numpy as np
5.
6. #分词
7. text = "Sentiment analysis is a challenging
转载
2023-09-28 12:30:43
196阅读
介绍下NLP的基本技术：包括序列标注、N-gram模型、回退和评估。将词汇按照词性分类并相应的对他们进行标注，也即：词性标注（part-of-speech tagging, POS tagging），也称作标注。词性也称为词类或者词汇范畴。用于特定任务标记的集合被称作一个标记集。5.1使用词性标注器用以处理一个词序列，为每一个词附加词性标记。>>> import nltk
>
本次实验一共有三个要求，统计高频词、分析词性以及画出词云，在词性分析部分为了使结果更加直观还绘制了一个饼状图用来统计最多的十种词的占比。实验用的文本文件是实验二的爬取评论结果，为了方便便直接将实验二生成的文件拿过来使用了，在文本中有许多的非中文字符（符号、表情包、数字、字母），一开始的时候是针对这个文本专门写了一个函数除去该文本中的非中文字符，再将结果存入一个新的文本“实验文本”，此后的操作便一直
转载
2024-06-16 08:33:52
79阅读
目录题型1：正规表达式构造NFA1．构造正规表达式a(aa)\*bb(bb)\*a(aa)\* 的NFA(非确定有限自动机)。解2.对正规式(a|b)*abb构造其等价的NFA。解3．构造正规表达式((a|b)*|aa)*b的NFA。解:题型二：NFA转换为DFA4.设M=( {x,y}, {a,b}, f, x, {y} )为一NFA(非确定的有限自动机)，其中f定义如下：解：5.将下图所示的
转载
2023-10-03 14:05:10
148阅读
文章目录2021.02.17更新前言正文后记 2021.02.17更新1.百度网盘链接2.部分网友反应，用文章给出的代码分析文档的时候，有时会遇到如下的问题：“ValueError: ‘zg’ is not in list”这是因为“ zg”这个词性没有添加到#英文词性转中文词性字典这里面。程序发现分析文档中存在词性属于zg的词，但是我在程序里列出的字典中缺少这个词性的转换，所以就出问题了。解决
转载
2023-10-31 23:47:51
182阅读
# Python Jieba库词性分析入门指南
## 一、流程概览
在进行词性分析的过程中，我们需要遵循以下步骤：
| 步骤 | 描述 |
|------|---------------|
| 1 | 安装 Jieba 库 |
| 2 | 导入 necessary libraries |
| 3 | 加载分词器 |
| 4 | 进行词性分析
原创
2024-10-12 04:02:41
152阅读
# Python中文判定与词性分析实战
在这篇文章中，我将带你一步步实现“Python中文判定与词性分析”。我们将使用一些现成的库来完成这项任务。文章中会提供清晰的流程、代码示例以及相应的解释，确保你能够理解每个步骤。最后，我们还将用饼状图展示分析结果。
## 整体流程
我们可以将整个工作分解为以下几个步骤：
| 步骤 | 描述 |
|-
# 如何使用 HanLP 进行词性分析
HanLP 是一个强大的自然语言处理工具，广泛应用于中文语义分析和处理。在这篇文章中，我将向你介绍如何使用 HanLP 实现词性分析。我们将一步一步来，确保你理解每一个环节。
## 整体流程
在开始之前，让我们先看看整个过程的步骤。一旦你理解了这些步骤，你就能高效地使用 HanLP 进行词性分析。
| 步骤 | 描述
Python基础语法字面量在代码中，被写下来的的固定的值，称之为字面量字符串又称文本，是由任意数量的字符如中文、英文、各类符号、数字等组成。所以叫做字符的串Python中，字符串需要用双引号（ ）包围起来被引号包围起来的，都是字符串注释在程序代码中对程序代码进行解释说明的文字。作用：注释不是程序，不能被执行，只是对程序代码进行解释说明，让别人可以看懂程序代码的作用，能够大大增强程序的可读性。分类单
转载
2023-11-02 09:58:51
75阅读
最近NLP新词发现及情感倾向性分类任务，需要用到分词，查找了下，python，jieba分词，貌似用起来还可以，效果也不差，还没在python里试中科院的分词。jieba 分词：做最好的Python 中文分词组件。下载地址：https://pypi.python.org/pypi/jieba 这是结巴分词的目标，我相信它也做到了。操作简单，速度快，精度不错。而且是Python 的库，这样就不用调用
转载
2024-03-05 17:50:53
37阅读
pyhanlp 中文词性标注与分词简介 pyhanlp实现的分词器有很多，同时pyhanlp获取hanlp中分词器也有两种方式第一种是直接从封装好的hanlp类中获取，这种获取方式一共可以获取五种分词器，而现在默认的就是第一种维特比分词器1.维特比2.双数组trie树 (dat)：极速词典分词，千万字符每秒（可能无法获取词性，此处取决于你的词典）3.条件随机场4.感知机5.N最短路 (n
转载
2024-04-24 11:12:32
139阅读
# 使用 HanLP 进行词性分析的指南
HanLP 是一个强大的自然语言处理库，支持多种语言的分析功能，包括中文的词性分析。本文将带你完成使用 HanLP 进行词性分析的整个流程，适合刚入行的小白开发者。
## 流程概述
| 步骤 | 描述 |
|------------|--------------------
原创
2024-09-19 04:16:44
84阅读
综合评价类方法是数学建模中常用的方法，主要作用是对多组数据赋权，算是非常万金油的办法。网上有很多封装好的软件可以实现综合评价，但是欠缺一定的灵活性，在这里我们尝试用python实现综合评价。 综合评价方法分为主观型综合评价方法和客观型综合评价方法，我们在此尝试两类综合评价方法中的几个典型方法： 各种综合评价方法在此不多介绍原理，我们直接放代码实现（水平有限，代码有些冗长）：AHP 在
转载
2024-06-19 07:10:07
100阅读
文章目录jieba词性标注表（0.39版）读取jieba词库，生成词性标注表，保存为excel带词性的分词词与词性间映射en2cn字典映射0.42版后paddle模式词性和专名类别标签其它词性标注表nltk词性标注表百度AI词性标注表用于【句法分析】用于【词法分析】pyltp词性标注表补充 jieba词性标注表（0.39版）encne.g.数量a形容词高 明 尖 诚 粗陋 冗杂 丰盛 顽皮 很贵
转载
2023-07-21 21:49:47
34阅读
"""
author:魏振东
data：2019.12.18
func:统计词频 词性标注 excel文件操作
"""
import jieba.posseg as psg
from collections import Counter
import xlwt
# 用分词工具进行分词，带有词性标注，保存到文件中。
def cixing(filenamer,filenamerw):
# 文
转载
2024-05-30 10:05:32
30阅读
英语中的十大词性英语中名词的基本概念名词（Nouns）是英语中的一类词汇，它们表示人、地点、事物、动物、观念或抽象概念。简而言之，名词是我们用来给事物命名的词。名词在句子中可以扮演不同的角色，例如主语（Subject）、宾语（Object）或者定语（Attributive）等。名词可以分为以下几类：可数名词（Countable nouns）：这类名词可以数，可以有单数和复数形式。例如：猫（cat）
转载
2023-11-01 19:59:43
121阅读
一、实验目的设计、编制并调试一个词法分析程序，加深对词法分析原理的理解。二、使用仪器、器材计算机一台操作系统：Windows10编程软件：Intellij IDEA三、实验内容及原理1、待分析的C语言子集的词法1） 关键字
main if else int return void while （都是小写）
2） 专用符号
= + — * / < <= < >= = = !=
词性: 语言中对词的一种分类方法，以语法特征为主要依据、兼顾词汇意义对词进行划分的结果, 常见的词性有14种, 如: 名词, 动词, 形容词等.顾名思义, 词性标注(Part-Of-Speech tagging, 简称POS)就是标注出一段文本中每个词汇的词性.举个栗子:我爱自然语言处理
==>
我/rr, 爱/v, 自然语言/n, 处理/vn
rr: 人称代词
v: 动词
n: 名词
转载
2023-10-13 23:32:05
756阅读
