在NLTK书的第6章第2.1节中，代码调用电影评论语料库进行文档分类。书中的代码如下：
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)
我在电子邮件的文本之间分隔了我自己的数据集逗号（文本，类别），并且该类别的正面或负面。我可以在自己的文件上调用.words（）吗？此外，代码在调用movie_reviews.categories（）时的含义是什么。我无法理解如何构建数据以使其成为代码所需的形式。我查看了各个语料库文件，但我无法弄清楚从这里做什么。任何帮助，将不胜感激。谢谢！
答案 0 :(得分：1)
words()只根据the documentation将“给定文件作为单词和标点符号列表”返回。在这方面，您绝对可以在任何文本文件上调用nltk.corpus.words()。
对于文档中的categories()，further down，它表示“返回[s]为此语料库定义的类别列表，或者文件（如果它）给出。”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通过目录名称执行此操作，但abc和reuters在文件中具有显式类别。 qc具有与文本相同的文件中的类别。
可能需要对您自己的数据进行一些实验，看看您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并进行操作使用您在其他语料库中看到的格式。