Question

有没有办法在python nltk库中获取英文单词列表？我试图找到它，但我发现{唯一}来自wordnet nltk.corpus。但是based on documentation,它没有我需要的东西（它找到一个单词的同义词）。

我知道如何自己找到这些单词的列表（这个answer详细介绍了它），所以我感兴趣的是我是否可以通过仅使用nltk库来实现这一点。

Answer 1

是的，from nltk.corpus import words

使用以下方式检查：

>>> "fine" in words.words()
True

参考：第4.1节（Wordlist Corpora），Natural Language Processing with Python的第2章。

Answer 2

除了@salvadordali突出显示的nltk.corpus.words之外：

>>> from nltk.corpus import words
>>> print words.readme()
Wordlists

en: English, http://en.wikipedia.org/wiki/Words_(Unix)
en-basic: 850 English words: C.K. Ogden in The ABC of Basic English (1932)
>>> print words.words()[:10]
[u'A', u'a', u'aa', u'aal', u'aalii', u'aam', u'Aani', u'aardvark', u'aardwolf', u'Aaron']

请注意nltk.corpus.words是没有频率的单词列表，因此它不完全是自然文本的语料库。

包含各种语料库的corpus包，其中一些是英语语料库，请参阅http://www.nltk.org/nltk_data/。例如。 nltk.corpus.brown：

>>> from nltk.corpus import brown
>>> brown.words()[:10]
[u'The', u'Fulton', u'County', u'Grand', u'Jury', u'said', u'Friday', u'an', u'investigation', u'of']

从自然文本语料库中获取单词列表：

>>> wordlist = set(brown.words())
>>> print len(wordlist)
56057
>>> wordlist_lowercased = set(i.lower() for i in brown.words())
>>> print len(wordlist_lowercased)
49815

请注意，brown.words()包含包含自然文字等较低和较高案例的字词。

在大多数情况下，没有频率，单词列表不是很有用，所以你可以使用FreqDist：

>>> from nltk import FreqDist
>>> from nltk.corpus import brown
>>> frequency_list = FreqDist(i.lower() for i in brown.words())
>>> frequency_list.most_common()[:10]
[(u'the', 69971), (u',', 58334), (u'.', 49346), (u'of', 36412), (u'and', 28853), (u'to', 26158), (u'a', 23195), (u'in', 21337), (u'that', 10594), (u'is', 10109)]

有关更多信息，请参阅http://www.nltk.org/book/ch01.html了解如何访问语料库并在NLTK中处理它们

在nltk中有英语单词语料库吗？

2 个答案: