Экзамен AP® по английскому языку и сочинению — сложный тест, но при правильном количестве практики, подготовки и тяжелой работы можно получить 5 баллов.Экзамен предназначен для проверки вашего критического мышления и навыков чтения, поэтому вам обязательно нужно отточить свои навыки за несколько месяцев до фактического прохождения теста.

Лучший способ начать подготовку к этому тесту — просто попрактиковаться. Проконсультируйтесь с предыдущим экзаменом College Board или пройдите один из наших практических экзаменов, чтобы получить представление о том, как выглядит экзамен AP® по английскому языку. Оттуда выработайте привычку к ежедневному чтению, подписавшись на крупное издание, такое как The New York Times или The New Yorker, чтобы отточить свои навыки чтения и критического мышления.Кроме того, начните повседневную лексику с помощью Quizlet или физических карточек, чтобы развить свое понимание риторической и композиционной лексики.

Подходите к вопросам с несколькими вариантами ответов и к вопросам со свободными ответами, используя стратегии, относящиеся к каждому разделу. Помните, что разделы с множественным выбором оцениваются целостно, поэтому не помешает угадать. Для прохождения раздела «Свободный ответ» потребуется практика и глубокое понимание того, как писать тезисы, поэтому важно, чтобы вы попрактиковались и отточили этот навык перед сдачей теста.Мы предлагаем исчерпывающее руководство по ответу на вопрос с бесплатными ответами, на который тоже стоит обратить внимание!

И помните, в конце концов, это всего лишь тест. Не пугайте себя и не позволяйте нервам и тревоге захлестнуть вас. Стресс просто отвлечет вас от успеха. Если вы придете на испытание подготовленным и сравнимым, у вас все получится!

Новая статья: стратегия синтаксического анализа, реализуемая левой передней височной долей

Многие предыдущие исследования связывают части левой височной и левой лобных долей с аспектами понимания предложений.Но процедура, проводимая в этих регионах, не исследована. В новой статье мы тестируем конкретный алгоритм обработки предложений, который реализован в этих регионах. С Лийной Пюлкканен мы смоделировали две стратегии синтаксического анализа, одну прогнозирующую «левый угол» и одну менее прогнозирующую «восходящую» стратегию, а также проверили, какая стратегия лучше согласуется с активностью мозга, зарегистрированной с помощью МЭГ. Активность в левой передней височной доле коррелирует с количеством узлов, прогнозируемых анализатором левого угла, начиная примерно через 350 мс после начала слова.

Brennan, J. R. & Pylkkänen, L. (готовится к публикации). МЭГ-свидетельство увеличения состава предложений в передней височной доле. Когнитивная наука [ссылка]

Ознакомьтесь с рефератом и показателем, ниже

Исследования, изучающие основы понимания речи мозгом, связали левую переднюю височную долю (ATL) с комбинаторикой на уровне предложений. Используя магнитоэнцефалографию (МЭГ), мы тестируем стратегию синтаксического анализа, реализованную в этой области мозга.Количество шагов инкрементного синтаксического анализа от прогнозирующей стратегии синтаксического анализа в левом углу, которая поддерживается психолингвистическими исследованиями, сравнивается с таковыми из менее прогнозирующей стратегии. Мы проверяем корреляцию между этапами синтаксического анализа и локализованной в источнике активностью MEG, записанной во время чтения участниками рассказа. Шаги синтаксического анализа в левом углу коррелировали с активностью в левом ATL примерно через 350–500 мс после начала слова. Никаких других корреляций, характерных для понимания предложения, не наблюдалось. Эти данные показывают, что левый ATL участвует в комбинаторной обработке, которая хорошо охарактеризована прогнозирующей стратегией анализа левого угла.

Строка 1: Динамика усредненной активации источника из пяти областей интереса для блока STORY (пунктирные линии) и блока LIST (сплошная линия). Строка 2: Оценочные эффекты (коэффициенты β) для взаимодействия блока стимула с остаточными шагами синтаксического анализа в левом углу (rLC). Строка 3: Оценочные эффекты взаимодействия блока стимула с остаточными шагами восходящего синтаксического анализа (rBU). Строка 4: Предполагаемые основные эффекты шагов синтаксического анализа rBU. Затенение серым цветом указывает на стандартные ошибки коэффициента ± 1,64. Положительное значение для эффектов взаимодействия, показанных в строках 2 и 3, указывает на больший эффект для шагов синтаксического анализа в левом углу или снизу вверх в блоке STORY.«*» Указывает промежуток времени со статистически значимым эффектом на основе непараметрического теста перестановки.

Анализ предгрупповых грамматик и исчисления Ламбека с использованием частичной композиции

Что означает «троллейбус» из тарабарщины для языка

Лексикографы — существа настойчивые. Никогда не довольствуясь, они просматривают каждое недавно опубликованное издание еще не напечатанного текста на предмет предшествующих дат или обнаружения слова в «дикой природе», предшествующего текущей первой цитате в словаре.В прошлом году благодаря их усердию в Среднеанглийском словаре появилась новая запись для слова «тарабарщина», которая, хотя когда-то считалась изобретением середины 16 века, на самом деле впервые появилась примерно в 1450 году. Пороки и добродетели предупреждают своих читателей, что невнимательно или без должного благочестия бормотать молитвы — значит произносить «giberisshe too Godde» (говорить чепуху с Богом). Автор предполагает, что тарабарщина равносильна глупости и неискренности. Но что мы должны думать об этой странной части создания человеческого языка?

Хотя его появление на английском языке было изменено, этимологическое происхождение слова «тарабарщина» остается немного загадочным.Словарь английского языка Сэмюэля Джонсона (1755) популяризировал народную этимологию, связывающую «тарабарщину» с «химическим кантом», технические термины алхимии и науки, используемые в «Гебере», прозападном имени Джабира ибн Хайяна, но не так. много одного автора, но личность, которой приписывалась большая часть средневековых арабских ученых. Истина гораздо более банальна: «тарабарщина», вероятно, происходит от «тарабарщины», одного из множества глаголов, таких как «грызть», «треп», «треп» и «болтать», которые звукоподражают звук неразборчивого лепета.Однако первый случай «тарабарщины» — в пьесе Уильяма Шекспира « Гамлет », где «закутанные в брезент мертвые», трупы, поднявшиеся из могил, зловеще «пищат и бормочут» на улицах Рима, появляется гораздо позже тарабарщина ».

Тарабарщина — язык, который нельзя понять — это не совсем то же самое, что и вздор. При написании бессмыслицы мы читаем отдельные слова, но не можем проанализировать их, придавая им смысл, соответствующий общепринятым ожиданиям. «Бесцветные зеленые идеи яростно спят», как выразился Ноам Хомский в Syntactic Structures (1957) в качестве примера семантически бессмысленного предложения с присутствующим и правильным синтаксисом.С другой стороны, тарабарщина превращает звуки и буквы языка в неразборчивые слова. Гигант Нимрод, который, согласно святоотеческим преданиям, приказал построить Вавилонскую башню и тем самым раздробил единый язык человечества на все языки мира, наказан непонятно в Inferno из Divine Comedy Данте Алигьери. (1308-20). Охраняя Девятый Круг ада, Нимрод кричит: « Raphèl maì amècche zabì almi. ‘Не обращайте на него внимания, — говорит Вергилий, его проводник, потому что он не может понять нас, как мы не можем понять его слов.

Странная фраза Нимрода в действительности является тарабарщиной, буквы превращены в слова, индивидуальные значения которых ускользают от нас, как бы ученые ни ломали голову и ни выдвигали гипотезы. И все же тарабарщина делает большую часть своей культурной работы как совершенно неточный ярлык. Речь, которую обвиняют в тарабарщине, почти всегда является не тарабарщиной, а полностью функционирующим языком: мы берем внятные высказывания и превращаем их в чепуху, отказываясь их распознавать или интерпретировать.На протяжении веков одна нация глумилась над носителями языка другой нации, принижая язык других как « варварский » (от греческого βάρβαρος , « барбарос », слово, имитирующее звериные звуки baa , как греки якобы воспринимал речь не говорящих на греческом языке). В настоящее время мы отвергаем сложные технические разговоры экспертов как «тарабарщину», потому что считаем их условия и знания устрашающими или угрожающими. Аргументы, которые нам не нравятся, — это «чепуха» или «словесный салат» не потому, что мы не можем их понять, а потому, что мы отвергаем их логику.(«Словесный салат», кстати, является транслитерацией немецкого Wortsalat , первоначально медицинского термина для запутанной речи людей с шизофренией.)

Термин «тарабарщина» в большинстве случаев несправедливо навязывается другим, это быстрый и простой способ выразить предубеждение и преуменьшить значение языка других как простой шум. Однако тарабарщина иногда создается добровольно в благих целях, и это тоже имеет долгую историю. Некоторые древнеанглийские медицинские амулеты, сохранившиеся в рукописи, написанной около 1000 г. н.э., содержат отрывки тарабарщины, смешанные со словами из древнеирландского, латинского, греческого или еврейского языков.Эти непонятные слова бросили вызов попыткам распутать их значение или этимологию, и поэтому ученые пришли к единому мнению, что они образуют плацебо, как волшебные слова, сопровождающие заклинание. Подобно тому, как причудливое латинское или греческое название на современной упаковке таблеток может заставить нас чувствовать себя более уверенными в излечении, так и эти звуки и слоги, которые отказываются соответствовать чему-либо, узнаваемому в древнеанглийском или любом другом языке, могли убедить тех кто слышал их, что это заклинание обязательно сработает.

Тарабарщины слоги также используются для создания придуманных или вымышленных языков. Многие из этих «conlangs» (слово-портмоне, объединяющее «сконструированный» и «язык») тщательно разрабатываются как искусственные языки, но некоторые изобретенные языки никогда не получают всех своих рабочих частей и, таким образом, остаются по существу тарабарщиной. В сочетании с переводом они могут показаться языком, но без подкрепляющих их слов, они только притворяются, что имеют значение. Немецкая аббатиса XII века Хильдегард Бингенская, композитор, философ и мистик, изобрела lingua ignota , «неизвестный язык», сохранившийся в списке из 1012 этих неизвестных слов с латинским или немецким глоссом, а также в кратком виде. гимн, написанный в основном на латыни, но усыпанный тарабарщиной, сверкающей, как драгоценные камни: orzchis , caldemia , loifolum , crizanta , chorzta .

Ученые, которые не переносят пустоту или известное неизвестное, искали этимологии — возможно, вы тоже сейчас пытаетесь разгадать их на языках, которые знаете, — но их объяснения являются умозрительными и не позволяют расшифровать очень многие из них. Слова Хильдегард. Другие задавались вопросом, пытаются ли эти неизвестные слова воссоздать язык, на котором Бог говорил с Адамом в Эдеме, или язык, на котором Адам назвал животных.Однако, как указывает ученый-немецкоязычный Джонатан П. Грин из Университета Северной Дакоты, действительно ли нужны такие божественные или адамические языки для обозначения «проституток, блудников, фокусников, пьяниц и воров», как это делает Хильдегард? Объяснение Грина ближе к дому: Хильдегард, вероятно, встречала слова и фразы греческого языка (алфавит и язык, которые она мало понимала или не понимала), встроенные в Священные Писания и в стихи, в которых греческие слова смешивались с латинскими стихами. Гимн воссоздает ее собственный опыт столкновения с неизвестным языком.То, что для Хильдегард греческий, является греческим для всех нас, благодаря ее lingua ignota .

Уловка Томаса Мора состоит в том, чтобы дать нам основную грамматику языка, одетого в странную одежду.

Тарабарщина Хильдегард нуждается в латинском и немецком глоссах, а также в ее латинских стихах, чтобы убедить нас серьезно относиться к ним как к языку. Точно так же сам по себе воображаемый язык книги Utopia (1516) сэра Томаса Мора — не что иное, как символы. Четыре строки утопической поэмы, произнесенные голосом острова, выступают в качестве дополнения к основному тексту.Транслитерированные в наш алфавит (« Bargol he maglomi baccan »), а затем переведенные на латынь (« Una ego terrarum omnium »), а затем и на английский («Я один из всех народов»), эти фразы начинают убеждать нас в том, что они — это языка. В то же время они постоянно уворачиваются от мысли, что они — наш язык. Такой изобретенный язык представляет собой своего рода антианглийский язык, использующий комбинации букв и фонологию, которые редко встречаются в английском или других языках, которые читатели Мора знали бы.

Это несколько сложнее сделать в английском с его смешанным германо-французским наследием и неуправляемой системой правописания. Если бы вы только могли сыграть в скрэббл в Утопии с его любовью к наименее любимым буквам и комбинациям английского языка (хотя я уверен, что скоро кто-то изменит систему подсчета очков). И все же, избегая знакомых вариантов написания, они полагаются на наше интуитивное знание того, как работает английский язык. В этих утопических фразах есть односложные слова, которые могут быть местоимениями, более длинные слова, которые могут быть глаголами или существительными, и пары многосложных слов, которые заставляют нас подозревать, что прилагательные и наречия выполняют свою работу по определению.Подобно скелету в маскарадном костюме, уловка Мора состоит в том, чтобы дать нам основную грамматику языка, одетого в странную одежду.

Язык Утопии — эзотерическая чушь, но есть более повседневные примеры непонятного языка. Как только мы выучили наш язык в детстве, можно было подумать, что лепет и бормотание прекратятся, но есть слабые места, через которые тарабарщина легко прорваться. Пение, кажется, балансирует на грани тарабарщины, побуждая нас перейти от слов к звукам.Когда мы забываем текст песни, мы гудим и la и ooo и di-dah . Или, если слов нет, человеческий голос мог бы присоединиться как инструмент: tee-tum , taa-raa . В пении слова часто растягиваются на составляющие их слоги, соблазняя нас полностью забыть о границах слов.

Лингвисты называют эти фрагменты спетой тарабарщины «нелексическими вокалами», звуками, которые мы можем озвучивать, но это не слова в обычном смысле. Вы можете подумать о джазовом пении или музыке, такой как ду-воп или бибоп, в которой вокал сам по себе является названием стиля. В джазе человеческий голос конкурирует с другими инструментами в импровизированных частях, и гораздо проще импровизировать тарабарщиной, чем с настоящими текстами. Точно так же покачивание и пение, чтобы убаюкивать капризного ребенка, когда вы так устали, что едва можете мыслить ровно, создают идеальные условия для появления тарабарщины.Для довербального младенца слова не важны: с незапамятных времен важна музыка, созданная голосом. Средневековые колыбельные гимны голосом Девы Марии, утешающей младенца Христа, сохраняют в припевах некоторые из самых ранних из этих спетых нелексических слов на английском языке: lulley , lollay , lay .

Это слово «колыбельная» происходит от комбинации двух из этих ранних английских словечек: lulla-lulla и bi-bi . Песня XV века, неряшливо сохранившаяся во фрагменте рукописи, содержит хор, полный успокаивающей тарабарщины, которую родитель может петь ребенку:

Lullay, lullow, lully, lullay,
Bewy, bewy, lully, lully,
Bewy, lully, lully, lully,
Lullay, baw baw, my barne [child],
Спи теперь тихо.

Единственный сохранившийся стих ясно показывает, что это песня, которую спела «maydin moder», Мария, спящему «известному ребенку», младенцу Христу. Только последние фразы припева являются настоящими словами, а остальные — речью, словами, этимология которых невозможна. Записи в Среднеанглийском словаре для слов «bewy» и «bau» ничего не могут сказать об их происхождении. затишья — слов происходят от глагола «убаюкивать», который сам по себе объясняется как просто «подражательный» (хотя это могло легко быть наоборот, глагол был изобретен голосами).Такие слова являются звукоподражательными, письменными приближениями к звукам «b-b-b» и «l-l-l», которые родители ворковали своим младенцам. Без сознательного мышления или планирования рот изменяет звуки и создает узоры, спонтанную тарабарщину.

В то время как убаюкивающие голоса Марии почитаются и прославляются, другие средневековые тексты не одобряют бессловесные вокалы, встречающиеся в припевах гимнов и народных песен. В Пирс Пахарь (1370-90) — умопомрачительное стихотворение Уильяма Ленгланда, в котором общество XIV века опрашивается в серии сновидений — рабочие, которые не участвуют в совместной работе на ферме, сидят и поют пивные песни, « помогая » пахать Полакра Пирса с надписью «эй! тролли-лолли! », символ их глупости и идиотизма.Центральная фигура поэмы, Пирс, который иногда представляет собой идеализированный портрет честного труженика, а иногда и версию Христа, Святого Петра или доброго самаритянина, сердится и угрожает им голодной смертью.

Не каждый ранний английский писатель настолько догматичен, что крестьяне поют радостную тарабарщину нелексических словечек. Одна из детективных пьес, разыгранных в городе Честер, представляет собой более увлекательную деревенскую жизнь, на этот раз пастухи наблюдают за своими стадами, которые видят Вифлеемскую звезду в рождественской сказке.Каждый спектакль в течение дня спонсировался отдельной гильдией ремесленников: за игру пастухов, добавленную в цикл в начале 16 века, отвечали художники. В этом театрализованном представлении актер, играющий ангела, поет « Gloria in altissimis Deo, et in terra pax hominibus bonae voluntatis » (Слава Богу во всем; и мир на Земле людям доброй воли). Пастухи, не знающие такого причудливого языка, недоумевают, хотя средневековая аудитория могла бы признать этот отрывок Священного Писания началом знакомого гимна.Небесная песня началась с glore или glere , спрашивают себя пастухи? Или, может быть, glorus , glarus , glorius или glo , glas или glye ?

Так продолжается до voluntatis , превращая ангельскую латынь в нечто похожее на тарабарщину. И все же, хотя они напуганы, они также странным образом воодушевлены и успокаиваются небесной музыкой. Они решают спеть собственную веселую песню, отправляясь в Вифлеем, чтобы следовать за «starre-gleme», светом необыкновенной звезды.Режиссура постановки гласит: «Вот единственное« троли, лоли, лоли, лоу »», и мальчик-пастух призывает публику присоединиться к нему. Это один из тех моментов, смешивающих священное и мирское, что, кажется, восхищает средневековая драма. Эта пьеса высмеивает простоватость пастухов, но, может быть, она также намекает на то, что торжественная латынь — это тарабарщина для многих прихожан в английской церкви? Может быть, не имеет значения, является ли песня ангелов тарабарщиной или латынью, или же публика поет гимны или леденцы на палочке.В конце концов, Господь действует таинственными способами…

Три десятилетия спустя протестантские реформаторы не одобряли католических мистерий, а также неодобрительно относились к счастливому пению тарабарщины в народных песнях. Такие словечки, как «тролли-лолли» или «эй, нонни-нонни», символизировали деревенскую, профанную, примитивную пошлость. Майлс Ковердейл, реформатор и переводчик английской церкви, опубликовал книгу псалмов и священных текстов, переведенную и положенную на музыку, свои Добрых псалмов и Духовные песни ( c 1535).В своем предисловии он утверждал, что пахари и другие чернорабочие и женщины с их прялками и прялками лучше петь благочестивые песни, чем развлекаться фантазиями «эй, нони, эй, тролли, лол и соч лайк». Авторы пасторальной поэзии, жанра, становящегося все более модным в эпоху Возрождения, хотели поставить чистую воду между воображаемой тарабарщиной крестьян и своими собственными поэтическими композициями. Майкл Дрейтон в своем эклоге «Идея: гирлянда пастыря » (1593 г.) отличает «этих noninos [nonny-nos] грязного рибола [грязной похабщины]» от своих более изысканных стихов.

Младенцы болтают с нами чепухой, и мы отвечаем им, как если бы они сказали что-то совершенно поразительное

В последующие столетия английская тарабарщина постепенно переходит в спячку. Возникают и другие связанные с этим явления: есть мода на бессмысленные стихи, и время от времени появляются изобретенные языки — ангельские, фальшивые, вымышленные или инопланетные. Возможно, век разума и науки смущает непонятный псевдоязык. Тарабарщина снова появляется в поле зрения в начале 20 века.Написанная сначала немецкими и итальянскими поэтами-футуристами и дадаистами, а немного позже британскими и американскими авангардистами , звуковая поэзия написана тарабарщиной, представляя не слова, а чистый звук. Модернизм принимает тарабарщину как часть своего стремления отказаться от традиций и создать все новое, но рискует высмеять в этом процессе. Основополагающее исследование психопатии, проведенное американским психиатром Херви М. Клекли, The Mask of Sanity (1941), назвало книгу Джеймса Джойса «Поминки по Финнегану » (1939) «эрудированной тарабарщиной, неотличимой… от знакомого словесного салата, производимого гебефреническими пациентами [т. Е. больные шизофренией] в задней части любой государственной больницы ».Дело не в том, что Клекли высмеивал шедевр Джойса как таковой , а скорее в том, что он хотел указать на то, что это невозможно отличить от безумия. Можно ли серьезно относиться к тарабарщине как к высокому искусству?

Австралийско-американский композитор Перси Грейнджер, которого сейчас, пожалуй, больше всего помнят за постановку народных песен, думал, что наиболее важным из его произведений было то, что было спето тарабарщиной. Его «Марширующая песня демократии» ( c 1901) стремилась передать «динамичный марш оптимистической гуманитарной демократии в музыкальной композиции», не озвучивая ничего, кроме нелексических речей для пения хора: ti da-rum pum pa, dim pom pom pom pa ti di .Впервые он был исполнен на Вустерском музыкальном фестивале в Массачусетсе в 1917 году, когда оптимизма по поводу всего, что делали люди, должно быть, не хватало. «Марширующая песня» была хорошо принята, хотя рецензенты всегда были не уверены в том, что один критик вежливо называет ее «эксцентричностью в оценке». Он был возрожден к Last Night of the Proms 2019 года: тарабарщина, возможно, единственный способ найти единство во время войн Brexit после референдума.

Тарабарщина, кажется, всегда существует в этом неопределенном состоянии: тривиальна она или ценна, символ безнравственности или своего рода чистое, естественное, музыкальное выражение, возможно, даже божественное? Самое парадоксальное из качеств тарабарщины — это ключевая роль, которую она играет в том, как мы учимся говорить не тарабарщину.Детское бормотание (или «младенческая вокализация», как его более формально называют) жизненно важно для овладения языком, потому что оно побуждает опекунов устраивать имитационные беседы с младенцами. Младенцы болтают с нами чепухой, и мы отвечаем им, как если бы они сказали что-то совершенно поразительное. Также для развития языка необходимо «случайное подражание», то есть такие взаимодействия, при которых воспитатели копируют лепет младенцев и младенцев, которые бормочут им. Недавнее исследование, проведенное в Японии, показывает, что случайное подражание особенно ценно для повышения социальной активности маленьких детей с аутизмом.Если мы воспользуемся природным талантом человечества к тарабарщине, наши дети будут более свободно говорить на понятном языке, и эта истина уже давно понятна. В английском переводе XIV века латинской энциклопедии XIII века объясняется, как няни помогают детям научиться говорить, бессмысленно искажая язык: «скандинавский язык спит и наполовину озвучивает словоis, чтобы больше узнать о ребенке, который не может говорить» ( медсестра шепелявит и наполовину произносит слова, чтобы легче научить ребенка, который не умеет говорить).

Создавать тарабарщину — значит избегать привычных особенностей нашего родного языка и в то же время опираться на наше самое глубокое понимание того, что такое язык и как он работает. Тарабарщина также играет жизненно важную роль в том, чтобы дать нам родной язык, как младенцам, так и младенцам. Людвиг Витгенштейн, описывающий работу и методы философии в своей книге Philosophical Investigations , ценит «неровности», возникающие у понимания, когда он наталкивается на ограничения языка. Эти неровности заставляют нас увидеть ценность открытия.«Тарабарщина, пожалуй, самая неровная форма человеческого общения, но благодаря ей мы многое узнаем о языке, его возможностях и границах.

— документация TextBlob 0.16.0

Классы BLOB-объектов

Обертки для различных блоков текста, включая основные TextBlob , Word , и WordList классов. Пример использования:

 >>> из textblob import TextBlob
>>> b = TextBlob ("Простое лучше, чем сложное.")
>>> b.tags
[(u'Simple ', u'NN'), (u'is ', u'VBZ'), (u'better ', u'JJR'), (u'than ', u'IN'), ( u'complex ', u'NN')]
>>> b.noun_phrases
Список слов ([u'simple '])
>>> b.words
Список слов ([u'Simple ', u'is', u'better ', u'than', u'complex '])
>>> б. сентимент
(0,06666666666666667, 0,4111906)
>>> b.words [0] .synsets () [0]
Synset ('простой.n.01')
 

Изменено в версии 0.8.0: эти классы теперь импортируются из textblob , а не из текста .Боб .

класс textblob.blob. BaseBlob ( text , tokenizer = None , pos_tagger = None , np_extractor = None , analyzer = None , parser = None , clean classifier = None , clean classifier = None , clean classifier ) [источник]

Абстрактный базовый класс, от которого наследуются все классы текстовых блоков. Включает слова, POS-тег, NP и свойства количества слов. Также включает основные методы dunder и string для создания объектов, таких как строки Python.

Параметры:

текст — Строка. tokenizer — (необязательно) экземпляр токенизатора. Если Нет , по умолчанию WordTokenizer () . np_extractor — (необязательно) экземпляр NPExtractor. Если Нет , по умолчанию FastNPExtractor () . pos_tagger — (необязательно) экземпляр Tagger. Если Нет , по умолчанию NLTKTagger . анализатор — (опционально) анализатор настроений. Если Нет , по умолчанию PatternAnalyzer . parser — Парсер. Если Нет , по умолчанию Образец Парсера . классификатор — Классификатор А.

Изменено в версии 0.6.0: параметр clean_html устарел, как и в NLTK.

классифицирует () [источник]

Классифицируйте большой двоичный объект с помощью классификатора большого двоичного объекта .

правильный () [источник]

Попытка исправить написание капли.

detect_language () [источник]

Определите язык большого двоичного объекта с помощью Google Translate API.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob ("bonjour")
>>> b.detect_language ()
u'fr '
 

Ссылка на код языка:

https: // разработчики.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

заканчивается_с ( суффикс , начало = 0 , конец =

72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

заканчивается на ( суффикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

найти ( sub , start = 0 , end =72036854775807 )

Действует аналогично встроенному методу str.find (). Возвращает целое число, индекс первого вхождения подстроки аргумента sub в подстрока, заданная [начало: конец].

формат ( * args , ** kwargs )

Выполните операцию форматирования строки, подобную встроенной ул.формат (* args, ** kwargs) . Возвращает объект blob.

индекс ( под , начало = 0 , конец =72036854775807 )

Подобно blob.find (), но вызывает ошибку ValueError, когда подстрока не найден.

присоединиться ( итерация )

Действует аналогично встроенному методу str.join (итерация) , за исключением возвращает объект blob.

Возвращает BLOB-объект, который является объединением строк или BLOB-объектов. в итерируемом.

нижний ()

Как и str.lower (), возвращает новый объект со всеми символами в нижнем регистре.

нграмм ( n = 3 ) [источник]

Вернуть список n-граммов (кортежей из n последовательных слов) для этого капля.

сущ_фраза

Возвращает список существительных для этого большого двоичного объекта.

np_counts

Словарь частот встречаемости именных фраз в этом тексте.

parse ( parser = None ) [источник]

Разобрать текст.

Параметры:	parser — (необязательно) Экземпляр анализатора. Если Нет , по умолчанию синтаксический анализатор этого большого двоичного объекта по умолчанию.

полярность

Возвращает показатель полярности в виде числа с плавающей запятой в диапазоне [-1,0, 1,0]

pos_tags

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

заменить ( старый , новый , count =72036854775807 )

Вернуть новый объект blob с заменой старого от новый .

rfind ( sub , начало = 0 , конец =72036854775807 )

Действует аналогично встроенному методу str.rfind (). Возвращает целое число, индекс последнего (самого правого) появления аргумента подстроки sub в подпоследовательности, заданной [начало: конец].

rindex ( sub , начало = 0 , конец =72036854775807 )

Как blob.rfind (), но вызывает ValueError, если подстрока не нашел.

настроение

Вернуть кортеж формы (полярность, субъективность), где полярность — это число с плавающей запятой в диапазоне [-1.0, 1.0], а субъективность — это число с плавающей запятой. в диапазоне [0,0, 1,0], где 0,0 является очень объективным, а 1,0 — очень субъективно.

Тип возврата:	именованный кортеж в форме Настроение (полярность, субъективность)

sentiment_assessments

Вернуть кортеж формы (полярность, субъективность, оценки), где полярность — это число с плавающей запятой в диапазоне [-1.0, 1.0], субъективность float в диапазоне [0.0, 1.0], где 0.0 очень объективно, а 1.0 очень субъективен, а оценки — это список полярностей и оценки субъективности оцениваемых токенов.

Тип возврата:	именованный набор в форме « Настроение (полярность, субъективность,

оценок) `

split ( sep = None , maxsplit =72036854775807 ) [источник]

Действует аналогично встроенной ул.split () except возвращает Список слов.

start_with ( префикс , start = 0 , end =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

начинается с ( префикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

полоса ( символов = нет )

Действует аналогично встроенной ул.strip ([chars]) метод. Возврат объект с удаленными начальными и конечными пробелами.

субъективность

Вернуть оценку субъективности в виде числа с плавающей точкой в ​​диапазоне [0,0, 1,0]. где 0,0 очень объективно, а 1,0 — очень субъективно.

тегов

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

титул ()

Возвращает большой двоичный объект с текстом в верхнем регистре.

tokenize ( tokenizer = None ) [источник]

Вернуть список токенов с использованием токенизатора .

Параметры:	tokenizer — (необязательно) объект tokenizer. Если нет, по умолчанию токенизатор этого большого двоичного объекта по умолчанию.

токенов

Вернуть список токенов, используя объект токенизатора этого большого двоичного объекта. (по умолчанию WordTokenizer ).

перевести ( from_lang = u’auto ‘, to = u’en’ ) [источник]

Переведите большой двоичный объект на другой язык. Использует Google Translate API. Возвращает новый TextBlob.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob («Простое лучше, чем сложное»)
>>> b.translate (to = "es")
TextBlob ('Lo simple es mejor que complejo')
 

Ссылка на код языка:

https: // разработчики.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

Параметры:	from_lang ( str ) — язык для перевода. Если Нет , попытается для определения языка. с по ( str ) — язык для перевода.
Тип возврата:	BaseBlob

верх ()

Нравится ул.upper (), возвращает новый объект со всеми символами в верхнем регистре.

word_counts

Словарь частотности слов в этом тексте.

слов

Вернуть список токенов слов. Это исключает знаки препинания. Если вы хотите включить знаки препинания, перейдите к токенам имущество.

класс текстовый блок.капля. Blobber ( tokenizer = None , pos_tagger = None , np_extractor = None , analyzer = None , parser = None , classifier = None

09) [источник

Фабрика для TextBlobs, которые имеют один и тот же теггер, токенизатор, парсер, классификатор и np_extractor.

использование:

 >>> from textblob import Blobber
>>> из textblob.taggers импортировать NLTKTagger
>>> из textblob.токенизаторы импортируют SentenceTokenizer
>>> tb = Blobber (pos_tagger = NLTKTagger (), tokenizer = SentenceTokenizer ())
>>> blob1 = tb («Это одна капля.»)
>>> blob2 = tb ("У этого большого двоичного объекта тот же теггер и токенизатор.")
>>> blob1.pos_tagger - это blob2.pos_tagger
Правда
 

Параметры:

токенизатор — (необязательно) экземпляр токенизатора. Если Нет , по умолчанию WordTokenizer () . np_extractor — (необязательно) экземпляр NPExtractor. Если Нет , по умолчанию FastNPExtractor () . pos_tagger — (необязательно) экземпляр Tagger. Если Нет , по умолчанию NLTKTagger . анализатор — (опционально) анализатор настроений. Если Нет , по умолчанию PatternAnalyzer . parser — Парсер. Если Нет , по умолчанию Образец Парсера . классификатор — Классификатор А.

класс textblob.blob. Предложение ( предложение , start_index = 0 , end_index = None , * args , ** kwargs ) [источник]

Предложение в TextBlob. Наследует от BaseBlob .

Параметры:	предложение — строка, необработанное предложение. start_index — int, индекс, с которого начинается это предложение в TextBlob. Если не указан, по умолчанию 0, . end_index — Целое число, индекс, на котором это предложение заканчивается TextBlob. Если не указан, по умолчанию используется срок наказания — 1.

классифицировать ()

Классифицируйте большой двоичный объект с помощью классификатора большого двоичного объекта .

правильный ()

Попытка исправить написание капли.

detect_language ()

Определите язык большого двоичного объекта с помощью Google Translate API.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob ("bonjour")
>>> b.detect_language ()
u'fr '
 

Ссылка на код языка:

https://developers.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

диктат

Диктованное представление этого предложения.

конец = Нет

Конечный индекс в текстовом блоке

end_index = Нет

Конечный индекс в текстовом блоке

заканчивается_с ( суффикс , начало = 0 , конец =

72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

заканчивается на ( суффикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

найти ( sub , start = 0 , end =72036854775807 )

Действует аналогично встроенному методу str.find (). Возвращает целое число, индекс первого вхождения подстроки аргумента sub в подстрока, заданная [начало: конец].

формат ( * args , ** kwargs )

Выполните операцию форматирования строки, подобную встроенной str.format (* args, ** kwargs) . Возвращает объект blob.

индекс ( под , начало = 0 , конец =72036854775807 )

Подобно blob.find (), но вызывает ошибку ValueError, когда подстрока не найден.

присоединиться ( итерация )

Действует как встроенный ул.join (итерируемый) метод , кроме возвращает объект blob.

Возвращает BLOB-объект, который является объединением строк или BLOB-объектов. в итерируемом.

нижний ()

Как и str.lower (), возвращает новый объект со всеми символами в нижнем регистре.

нграмм ( n = 3 )

Вернуть список n-граммов (кортежей из n последовательных слов) для этого капля.

сущ_фраза

Возвращает список существительных для этого большого двоичного объекта.

np_counts

Словарь частот встречаемости именных фраз в этом тексте.

синтаксический анализ ( синтаксический анализатор = нет )

Разобрать текст.

Параметры:	parser — (необязательно) Экземпляр анализатора. Если Нет , по умолчанию синтаксический анализатор этого большого двоичного объекта по умолчанию.

полярность

Вернуть показатель полярности в виде числа с плавающей запятой в диапазоне [-1.0, 1.0]

pos_tags

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

заменить ( старый , новый , count =72036854775807 )

Вернуть новый объект blob с заменой старого от новый .

rfind ( sub , начало = 0 , конец =72036854775807 )

Действует аналогично встроенному методу str.rfind (). Возвращает целое число, индекс последнего (самого правого) появления аргумента подстроки sub в подпоследовательности, заданной [начало: конец].

rindex ( sub , начало = 0 , конец =72036854775807 )

Как blob.rfind (), но вызывает ValueError, если подстрока не нашел.

настроение

Вернуть кортеж формы (полярность, субъективность), где полярность — это число с плавающей запятой в диапазоне [-1.0, 1.0], а субъективность — это число с плавающей запятой. в диапазоне [0,0, 1,0], где 0,0 является очень объективным, а 1,0 — очень субъективно.

Тип возврата:	именованный кортеж в форме Настроение (полярность, субъективность)

sentiment_assessments

Вернуть кортеж формы (полярность, субъективность, оценки), где полярность — это число с плавающей запятой в диапазоне [-1.0, 1.0], субъективность float в диапазоне [0.0, 1.0], где 0.0 очень объективно, а 1.0 очень субъективен, а оценки — это список полярностей и оценки субъективности оцениваемых токенов.

Тип возврата:	именованный набор в форме « Настроение (полярность, субъективность,

оценок) `

split ( sep = None , maxsplit =72036854775807 )

Действует аналогично встроенной ул.split () except возвращает Список слов.

начало = нет

Начальный индекс в TextBlob

start_index = Нет

Начальный индекс в TextBlob

start_with ( префикс , start = 0 , end =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

начинается с ( префикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

полоса ( символов = нет )

Действует аналогично встроенному методу str.strip ([chars]). Возврат объект с удаленными начальными и конечными пробелами.

субъективность

Вернуть оценку субъективности в виде числа с плавающей запятой в диапазоне [0.0, 1.0] где 0,0 очень объективно, а 1,0 — очень субъективно.

тегов

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

титул ()

Возвращает большой двоичный объект с текстом в верхнем регистре.

tokenize ( tokenizer = None )

Вернуть список токенов с использованием токенизатора .

Параметры:	tokenizer — (необязательно) объект tokenizer. Если нет, по умолчанию токенизатор этого большого двоичного объекта по умолчанию.

токенов

Вернуть список токенов, используя объект токенизатора этого большого двоичного объекта. (по умолчанию WordTokenizer ).

перевести ( from_lang = u’auto ‘, to = u’en’ )

Переведите большой двоичный объект на другой язык. Использует Google Translate API. Возвращает новый TextBlob.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob («Простое лучше, чем сложное»)
>>> b.translate (to = "es")
TextBlob ('Lo simple es mejor que complejo')
 

Ссылка на код языка:

https: // разработчики.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

Параметры:	from_lang ( str ) — язык для перевода. Если Нет , попытается для определения языка. с по ( str ) — язык для перевода.
Тип возврата:	BaseBlob

верх ()

Нравится ул.upper (), возвращает новый объект со всеми символами в верхнем регистре.

word_counts

Словарь частотности слов в этом тексте.

слов

Вернуть список токенов слов. Это исключает знаки препинания. Если вы хотите включить знаки препинания, перейдите к токенам имущество.

класс текстовый блок.капля. TextBlob ( text , tokenizer = None , pos_tagger = None , np_extractor = None , analyzer = None , parser = None , clean classifier = None , clean classifier = None , clean classifier ) [источник]

Общий текстовый блок, предназначенный для больших объемов текста (особенно содержащие предложения). Наследует от BaseBlob .

Параметры:

текст ( str ) — Строка. tokenizer — (необязательно) экземпляр токенизатора. Если Нет , по умолчанию WordTokenizer () . np_extractor — (необязательно) экземпляр NPExtractor. Если Нет , по умолчанию FastNPExtractor () . pos_tagger — (необязательно) экземпляр Tagger. Если Нет , по умолчанию NLTKTagger . анализатор — (опционально) анализатор настроений. Если Нет , по умолчанию Анализатор паттернов . классификатор — (по желанию) классификатор.

классифицировать ()

Классифицируйте большой двоичный объект с помощью классификатора большого двоичного объекта .

правильный ()

Попытка исправить написание капли.

detect_language ()

Определите язык большого двоичного объекта с помощью Google Translate API.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob ("bonjour")
>>> b.detect_language ()
u'fr '
 

Ссылка на код языка:

https://developers.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

заканчивается_с ( суффикс , начало = 0 , конец =

72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

заканчивается на ( суффикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект заканчивается заданным суффиксом.

найти ( sub , start = 0 , end =72036854775807 )

Действует аналогично встроенному методу str.find (). Возвращает целое число, индекс первого вхождения подстроки аргумента sub в подстрока, заданная [начало: конец].

формат ( * args , ** kwargs )

Выполните операцию форматирования строки, подобную встроенной str.format (* args, ** kwargs) . Возвращает объект blob.

индекс ( под , начало = 0 , конец =72036854775807 )

Подобно blob.find (), но вызывает ошибку ValueError, когда подстрока не найден.

присоединиться ( итерация )

Действует как встроенный ул.join (итерируемый) метод , кроме возвращает объект blob.

Возвращает BLOB-объект, который является объединением строк или BLOB-объектов. в итерируемом.

JSON

Представление этого большого двоичного объекта в формате json.

Изменено в версии 0.5.1: Сделано json как свойство вместо метода восстановления в обратном направлении. совместимость, которая была нарушена после версии 0.4.0.

нижний ()

Нравится ул.lower (), возвращает новый объект со всеми символами в нижнем регистре.

нграмм ( n = 3 )

Вернуть список n-граммов (кортежей из n последовательных слов) для этого капля.

сущ_фраза

Возвращает список существительных для этого большого двоичного объекта.

np_counts

Словарь частот встречаемости именных фраз в этом тексте.

синтаксический анализ ( синтаксический анализатор = нет )

Разобрать текст.

Параметры:	parser — (необязательно) Экземпляр анализатора. Если Нет , по умолчанию синтаксический анализатор этого большого двоичного объекта по умолчанию.

полярность

Возвращает показатель полярности в виде числа с плавающей запятой в диапазоне [-1,0, 1,0]

pos_tags

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

raw_sentences

Список строк, сырые предложения в большом двоичном объекте.

заменить ( старый , новый , count =72036854775807 )

Вернуть новый объект blob с заменой старого от новый .

rfind ( sub , начало = 0 , конец =72036854775807 )

Действует аналогично встроенному методу str.rfind (). Возвращает целое число, индекс последнего (самого правого) появления аргумента подстроки sub в подпоследовательности, заданной [начало: конец].

rindex ( sub , начало = 0 , конец =72036854775807 )

Подобно blob.rfind (), но вызывает ошибку ValueError, когда подстрока не является нашел.

предложений

Возвращает список из объектов предложения .

настроение

Вернуть кортеж формы (полярность, субъективность), где полярность является числом с плавающей запятой в диапазоне [-1.0, 1.0], а субъективность — поплавок. в диапазоне [0,0, 1,0], где 0,0 является очень объективным, а 1,0 — очень субъективно.

Тип возврата:	именованный кортеж в форме Настроение (полярность, субъективность)

sentiment_assessments

Вернуть кортеж формы (полярность, субъективность, оценки), где полярность — это число с плавающей запятой в диапазоне [-1.0, 1.0], субъективность — это float в диапазоне [0.0, 1.0], где 0.0 очень объективно, а 1.0 очень субъективен, а оценки — это список полярностей и оценки субъективности оцениваемых токенов.

Тип возврата:	именованный набор в форме « Настроение (полярность, субъективность,

оценок) `

серийный

Возвращает список представлений dict каждого предложения.

split ( sep = None , maxsplit =72036854775807 )

Действует аналогично встроенной ул.split () except возвращает Список слов.

start_with ( префикс , start = 0 , end =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

начинается с ( префикс , начало = 0 , конец =72036854775807 )

Возвращает True, если большой двоичный объект начинается с заданного префикса.

полоса ( символов = нет )

Действует аналогично встроенной ул.strip ([chars]) метод. Возврат объект с удаленными начальными и конечными пробелами.

субъективность

Вернуть оценку субъективности в виде числа с плавающей точкой в ​​диапазоне [0,0, 1,0]. где 0,0 очень объективно, а 1,0 — очень субъективно.

тегов

Возвращает список кортежей в форме (слово, тег POS).

Пример:

 [('At', 'IN'), ('восемь', 'CD'), ("o'clock", 'JJ'), ('on', 'IN'),
        ('Четверг', 'NNP'), ('утро', 'NN')]
 

Тип возврата:	список кортежей

титул ()

Возвращает большой двоичный объект с текстом в верхнем регистре.

to_json ( * args , ** kwargs ) [источник]

Вернуть json-представление (str) этого большого двоичного объекта. Принимает те же аргументы, что и json.dumps.

tokenize ( tokenizer = None )

Вернуть список токенов с использованием токенизатора .

Параметры:	tokenizer — (необязательно) объект tokenizer.Если нет, по умолчанию токенизатор этого большого двоичного объекта по умолчанию.

токенов

Вернуть список токенов, используя объект токенизатора этого большого двоичного объекта. (по умолчанию WordTokenizer ).

перевести ( from_lang = u’auto ‘, to = u’en’ )

Переведите большой двоичный объект на другой язык. Использует Google Translate API. Возвращает новый TextBlob.

Требуется подключение к Интернету.

использование:

 >>> b = TextBlob («Простое лучше, чем сложное»)
>>> b.translate (to = "es")
TextBlob ('Lo simple es mejor que complejo')
 

Ссылка на код языка:

https://developers.google.com/translate/v2/using_rest#language-params

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

Параметры:	from_lang ( str ) — язык для перевода.Если Нет , попытается для определения языка. с по ( str ) — язык для перевода.
Тип возврата:	BaseBlob

верх ()

Как и str.upper (), возвращает новый объект со всеми символами в верхнем регистре.

word_counts

Словарь частотности слов в этом тексте.

слов

Вернуть список токенов слов. Это исключает знаки препинания. Если вы хотите включить знаки препинания, перейдите к токенам имущество.

класс textblob.blob. Word ( строка , pos_tag = None ) [источник]

Простое словесное представление. Включает методы перегиба, перевод и интеграция с WordNet.

заглавные буквы () → юникод

Вернуть версию S с заглавной буквы, т. Е. Сделать первый символ имеют верхний регистр, а остальные — нижний.

центр ( ширина [, fillchar ]) → юникод

Вернуть S с центром в строке Unicode длиной и шириной. Заполнение выполняется с использованием указанного символа заполнения (по умолчанию — пробел)

правильный () [источник]

Исправьте написание слова.Возвращает слово с наивысшим уверенность в использовании корректора орфографии.

count ( sub [, start [, end ]]) → int

Вернуть количество неперекрывающихся вхождений подстроки sub в Строка Юникода S [начало: конец]. Необязательные аргументы start и end: интерпретируется как в обозначении среза.

декодирует ([ кодирование [, ошибок ]]) → строка или юникод

Декодирует S с использованием кодека, зарегистрированного для кодирования.кодировка по умолчанию в кодировку по умолчанию. могут быть даны ошибки, чтобы установить другую ошибку Схема погрузки-разгрузки. По умолчанию установлено «строгое», что означает, что ошибки кодирования вызывают UnicodeDecodeError. Другие возможные значения — «игнорировать» и «заменить». а также любое другое имя, зарегистрированное с помощью codecs.register_error, то есть способен обрабатывать ошибки UnicodeDecodeErrors.

определить ( pos = None ) [источник]

Вернуть список определений для этого слова. Каждое определение соответствует синсету для этого слова.

Параметры:	pos — Тег части речи для фильтрации. Если Нет , определения для всех частей речи будут загружены.
Тип возврата:	Список строк

определений

Список определений этого слова. Каждому определению соответствует к синсету.

detect_language () [источник]

Определите язык слова с помощью Google Translate API.

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

кодирует ([ кодировка [, ошибок ]]) → строка или юникод

Кодирует S с использованием кодека, зарегистрированного для кодирования. кодировка по умолчанию в кодировку по умолчанию. могут быть даны ошибки, чтобы установить другую ошибку Схема погрузки-разгрузки. По умолчанию установлено «строгое», что означает, что ошибки кодирования вызывают UnicodeEncodeError. Другие возможные значения: «игнорировать», «заменить» и «Xmlcharrefreplace», а также любое другое имя, зарегистрированное с кодеки.register_error, который может обрабатывать UnicodeEncodeErrors.

заканчивается на ( суффикс [, начало [, конец ]]) → bool

Вернуть True, если S заканчивается указанным суффиксом, в противном случае — False. При необязательном запуске проверьте S, начиная с этой позиции. С необязательным концом прекратите сравнивать S в этой позиции. суффикс также может быть кортежем строк.

expandtabs ([ tabsize ]) → unicode

Вернуть копию S, в которой все символы табуляции раскрыты пробелами.Если размер табуляции не указан, предполагается, что размер табуляции равен 8 символам.

найти ( sub [, start [, end ]]) → int

Вернуть наименьший индекс в S, где найдена подстрока, таким образом, что подпрограмма содержится в S [начало: конец]. По желанию начало и конец аргументов интерпретируются как в нотации среза.

Возврат -1 в случае ошибки.

формат ( * args , ** kwargs ) → unicode

Вернуть отформатированную версию S с использованием подстановок из args и kwargs.Замены обозначаются фигурными скобками (‘{‘ и ‘}’).

get_synsets ( pos = None ) [источник]

Вернуть список объектов Synset для этого слова.

Параметры:	pos — Тег части речи для фильтрации. Если Нет , все будут загружены синсеты для всех частей речи.
Тип возврата:	список Synsets

index ( sub [, start [, end ]]) → int

Нравится S.find (), но вызовет ValueError, если подстрока не найдена.

isalnum () → bool

Вернуть True, если все символы в S буквенно-цифровые и в S есть хотя бы один символ, иначе — False.

isalpha () → bool

Вернуть True, если все символы в S буквенные и в S есть хотя бы один символ, иначе — False.

является десятичным числом () → bool

Вернуть True, если в S есть только десятичные символы, В противном случае неверно.

isdigit () → bool

Вернуть True, если все символы в S являются цифрами и в S есть хотя бы один символ, иначе — False.

ниже () → bool

Вернуть True, если все символы в S в нижнем регистре и есть хотя бы один регистр в S, иначе — False.

isnumeric () → bool

Вернуть True, если в S только числовые символы, В противном случае неверно.

isspace () → bool

Вернуть True, если все символы в S являются пробелами и в S есть хотя бы один символ, иначе — False.

istitle () → bool

Вернуть True, если S — строка с заголовком и есть хотя бы один символ в S, т.е. заглавные буквы и заглавные буквы могут быть только следовать за символами без регистра, а за строчными — только за регистром В противном случае верните False.

isupper () → bool

Вернуть True, если все символы в S в верхнем регистре и есть хотя бы один регистр в S, иначе — False.

присоединиться к ( итерация ) → юникод

Вернуть строку, которая является конкатенацией строк в повторяемый. Разделитель между элементами — S.

лемма

Верните лемму этого слова, используя функцию морфии Wordnet.

lemmatize ( ** kwargs ) [источник]

Верните лемму для слова, используя функцию морфии WordNet.

Параметры:	pos — Часть речи для фильтрации. Если Нет , по умолчанию _wordnet.НОМЕР .

ljust ( ширина [, fillchar ]) → int

Вернуть S с выравниванием по левому краю в строке Unicode длиной и шириной.Заполнение выполняется с использованием указанного символа заполнения (по умолчанию — пробел).

нижний () → юникод

Вернуть копию строки S, преобразованную в нижний регистр.

lstrip ([ символов ]) → юникод

Вернуть копию строки S с удаленными ведущими пробелами. Если даны символы, а не Нет, вместо этого удалите символы в символах. Если chars — это str, он будет преобразован в Unicode перед удалением

перегородка ( sep) -> (голова , sep , хвост )

Найдите разделитель sep в S и верните часть перед ним, сам разделитель и часть после него.Если разделитель не найдено, вернуть S и две пустые строки.

множественное число () [источник]

Вернуть версию слова во множественном числе в виде строки.

заменить ( старый , новый [, count ]) → unicode

Вернуть копию S со всеми вхождениями подстроки старые заменены на новые. Если количество необязательных аргументов равно задано, заменяются только первые вхождения счетчика.

rfind ( sub [, start [, end ]]) → int

Вернуть наивысший индекс в S, где найдена подстрока, таким образом, что подпрограмма содержится в S [начало: конец]. По желанию начало и конец аргументов интерпретируются как в нотации среза.

Возврат -1 в случае ошибки.

rindex ( sub [, start [, end ]]) → int

Нравится S.rfind (), но вызывает ValueError, если подстрока не найдена.

rjust ( ширина [, fillchar ]) → юникод

Вернуть S, выровненный по правому краю, в строке Unicode длиной и шириной. Заполнение выполняется с использованием указанного символа заполнения (по умолчанию — пробел).

r раздел ( sep) -> (голова , sep , хвост )

Найдите разделитель sep в S, начиная с конца S, и верните часть перед ним, сам разделитель и часть после него.Если разделитель не найден, вернуть две пустые строки и S.

rsplit ([ sep [, maxsplit ]]) → список строк

Вернуть список слов в S, используя sep в качестве строка-разделитель, начиная с конца строки и работаю на фронт. Если задано maxsplit, не более maxsplit деления сделаны. Если sep не указан, любая строка с пробелами является разделителем.

rstrip ([ символов ]) → юникод

Вернуть копию строки S с удаленными конечными пробелами.Если даны символы, а не Нет, вместо этого удалите символы в символах. Если chars — это str, он будет преобразован в Unicode перед удалением

singularize () [источник]

Вернуть версию слова в единственном числе в виде строки.

проверка орфографии () [источник]

Возвращает список кортежей (слово, достоверность) орфографических исправлений.

По материалам: Питер Норвиг, «Как написать корректор орфографии». (http: // norvig.com / spell-corre.html), как реализовано в шаблоне библиотека.

split ([ sep [, maxsplit ]]) → список строк

Вернуть список слов в S, используя sep в качестве строка-разделитель. Если задано maxsplit, не более maxsplit деления сделаны. Если sep не указан или равен None, любой пробельная строка является разделителем, а пустые строки — удалено из результата.

разделенных строк ( keepends = False ) → список строк

Вернуть список строк в S с разрывами на границах строк.Разрывы строк не включаются в результирующий список, если не сохраняются дано и верно.

начинается с (префикс [, начало [, конец ]]) → bool

Вернуть True, если S начинается с указанного префикса, в противном случае — False. При необязательном запуске проверьте S, начиная с этой позиции. С необязательным концом прекратите сравнивать S в этой позиции. префикс также может быть кортежем строк, который нужно попробовать.

стержень ( стержень = ) [источник]

Создайте слово с помощью различных стеммеров NLTK.(По умолчанию: Porter Stemmer)

полоса ([ символов ]) → юникод

Вернуть копию строки S с ведущими и конечными пробелы удалены. Если даны символы, а не Нет, вместо этого удалите символы в символах. Если chars — это str, он будет преобразован в Unicode перед удалением

подкачка () → юникод

Вернуть копию S с прописными буквами, преобразованными в строчные и наоборот.

синсетов

Список объектов Synset для этого Word.

Тип возврата:	список Synsets

заголовок () → юникод

Возвращает версию S с заглавными буквами, т. Е. Слова начинаются с заглавного регистра символы, все остальные символы в регистре имеют нижний регистр.

перевести ( from_lang = u’auto ‘, to = u’en’ ) [источник]

Переведите слово на другой язык с помощью Google Перевести API.

Не рекомендуется, начиная с версии 0.16.0: вместо этого используйте официальный Google Translate API.

верхний () → юникод

Вернуть копию S, преобразованную в верхний регистр.

zfill ( ширина ) → юникод

Дополните числовую строку S нулями слева, чтобы заполнить поле. указанной ширины. Строка S никогда не усекается.

класс текстовый блок.капля. WordList ( сборник ) [источник]

Набор слов в виде списка.

добавить ( obj ) [источник]

Добавить объект в конец. Если объект является строкой, добавляет Word объект.

count ( strg , case_sensitive = False , * args , ** kwargs ) [источник]

Получите количество слов или слов s в этом WordList.

Параметры:	strg — строка для подсчета. case_sensitive — Логическое значение, независимо от того, учитывается ли при поиске регистр.

расширение ( итерация ) [источник]

Расширьте список слов, добавив элементы из итеративного . Если элемент является строкой, добавляет объект Word .

index ( value [, start [, stop ]]) → integer — вернуть первый индекс значения.

Вызывает ошибку ValueError, если значение отсутствует.

вставка ()

L.insert (index, object) — вставить объект перед индексом

lemmatize () [источник]

Вернуть лемму каждого слова в этом списке слов.

нижний () [источник]

Вернуть новый список слов с каждым словом в нижнем регистре.

множественное число () [источник]

Возвращает версию множественного числа каждого слова в этом WordList.

pop ([ index ]) → item — удалить и вернуть элемент по индексу (по умолчанию последний).

Вызывает ошибку IndexError, если список пуст или индекс выходит за пределы допустимого диапазона.

удалить ()

L.remove (значение) — удалить первое вхождение значения. Вызывает ValueError, если значение отсутствует.

реверс ()

L.reverse () — реверс НА МЕСТЕ

singularize () [источник]

Возвращает единственную версию каждого слова в этом WordList.

сортировать ()

Л.sort (cmp = None, key = None, reverse = False) — стабильная сортировка IN PLACE ; cmp (x, y) -> -1, 0, 1

стержень ( * args , ** kwargs ) [источник]

Вернуть основу для каждого слова в этом списке слов.

верх () [источник]

Вернуть новый список слов с каждым словом в верхнем регистре.

Базовые классы

Абстрактные базовые классы для моделей (тегеры, экстракторы именных фраз и т. Д.) которые определяют интерфейс для классов-потомков.

Изменено в версии 0.7.0: все базовые классы определены в одном модуле textblob.base .

Абстрактный базовый класс, от которого наследуются все классы NPExtractor. Дочерние классы должны реализовывать метод extract (text) который возвращает список словосочетаний существительных в виде строк.

Возвращает список словосочетаний (строк) существительных для основного текста.

класс текстовый блок.база. BaseParser [источник]

Абстрактный класс парсера, от которого наследуются все парсеры. Все потомки должны реализовать метод parse () .

синтаксический анализ ( текст ) [источник]

Анализирует текст.

класс textblob.base. BaseSentimentAnalyzer [источник]

Абстрактный базовый класс, от которого наследуются все анализаторы тональности.Следует реализовать метод анализа (текст) , который возвращает либо результаты анализа.

анализировать ( текст ) [источник]

Вернуть результат анализа. Обычно возвращает либо кортеж, число с плавающей запятой или словарь.

класс textblob.base. BaseTagger [источник]

Абстрактный класс тегеров, из которого все теггеры унаследовать от. Все потомки должны реализовать tag () метод.

тег ( текст , tokenize = True ) [источник]

Вернуть список кортежей в форме (слово, тег) для заданного набора текста или экземпляра BaseBlob.

класс textblob.base. BaseTokenizer [источник]

Абстрактный базовый класс, от которого наследуются все классы Tokenizer. Дочерние классы должны реализовывать метод tokenize (text) который возвращает список словосочетаний существительных в виде строк.

itokenize ( текст , * args , ** kwargs ) [источник]

Вернуть генератор, который генерирует токены «по запросу».

tokenize ( текст ) [источник]

Возвращает список токенов (строк) для основного текста.

Токенизаторы

Различные реализации токенизатора.

класс текстовый блок.токенизаторы. SentenceTokenizer [источник]

Токенизатор предложений NLTK (в настоящее время PunktSentenceTokenizer). Использует неконтролируемый алгоритм для построения модели сокращенных слов, словосочетания и слова, с которых начинаются предложения, затем использует это, чтобы найти границы предложения.

itokenize ( текст , * args , ** kwargs )

Вернуть генератор, который генерирует токены «по запросу».

tokenize ( ** kwargs ) [источник]

Вернуть список предложений.

class textblob.tokenizers. WordTokenizer [источник]

Рекомендуемый NLTK токенизатор слов (в настоящее время TreeBankTokenizer). Использует регулярные выражения для токенизации текста. Предполагается, что текст уже был сегментированы на предложения.

Выполняет следующие шаги:

• разделить стандартные схватки, например не делайте -> не делайте
• разделенные запятые и одинарные кавычки
• отдельных периода, которые появляются в конце строки

itokenize ( текст , * args , ** kwargs )

Вернуть генератор, который генерирует токены «по запросу».

tokenize ( текст , include_punc = True ) [источник]

Вернуть список токенов слов.

Параметры:	текст — строка текста. include_punc — (необязательно) включать ли знаки препинания как отдельные токены. По умолчанию True.

текстовых блоков.токенизаторы. sent_tokenize = <связанный метод SentenceTokenizer.itokenize из >

Удобная функция для разметки предложений

textblob.tokenizers. word_tokenize ( текст , include_punc = True , * args , ** kwargs ) [источник]

Удобная функция преобразования текста в слова.

ПРИМЕЧАНИЕ. Токенизатор слов NLTK ожидает ввода предложений, поэтому текст будет токенизируются в предложения, прежде чем токенизироваться в слова.

POS-тегеры

Реализации тегеров частей речи.

class textblob.en.taggers. NLTKTagger [источник]

Tagger, который использует стандартное tagger TreeBank NLTK. ПРИМЕЧАНИЕ. Требуется numpy. Пока не поддерживается PyPy.

tag ( ** kwargs ) [источник]

Пометьте строку или BaseBlob.

class textblob.en.taggers. PatternTagger [источник]

Tagger, использующий реализацию в Библиотека выкроек Тома де Смедта (http://www.clips.ua.ac.be/pattern).

тег ( текст , tokenize = True ) [источник]

Пометьте строку или BaseBlob.

Анализаторы настроений

Реализации анализа тональности.

класс textblob.en.sentiments. NaiveBayesAnalyzer ( feature_extractor = ) [источник]

Наивный байесовский анализатор, обученный на наборе данных из обзоров фильмов. Возвращает результаты в виде именованного кортежа в форме: Настроение (классификация, p_pos, p_neg)

Параметры:	feature_extractor ( вызываемый ) — функция, которая возвращает словарь особенности, учитывая список слов.

RETURN_TYPE

Объявление типа возврата

псевдоним Sentiment

анализировать ( текст ) [источник]

Вернуть тональность в виде именованного кортежа в форме: Настроение (классификация, p_pos, p_neg)

поезд ( ** kwargs ) [источник]

Обучите наивный байесовский классификатор на корпусе обзора фильмов.

класс textblob.en.sentiments. PatternAnalyzer [источник]

Анализатор тональности, использующий ту же реализацию, что и библиотека шаблонов. Возвращает результаты в виде именованного кортежа в форме:

Настроение (полярность, субъективность, [оценки])

, где [оценки] — это список оцененных токенов и их полярность и субъективность —

RETURN_TYPE

псевдоним Sentiment

анализировать ( текст , keep_assessments = False ) [источник]

Вернуть тональность в виде именованного кортежа в форме: Настроение (полярность, субъективность, [оценки]) .

Парсеры

Различные реализации синтаксического анализатора.

класс textblob.en.parsers. PatternParser [источник]

Синтаксический анализатор, использующий реализацию из библиотеки шаблонов Тома де Смеда. http://www.clips.ua.ac.be/pages/pattern-en#parser

синтаксический анализ ( текст ) [источник]

Анализирует текст.

Классификаторы

Различные реализации классификатора.Также включает экстрактор основных функций методы.

Пример использования:

 >>> из textblob import TextBlob
>>> из textblob.classifiers импортировать NaiveBayesClassifier
>>> поезд = [
... ('Я люблю этот бутерброд.', 'Pos'),
... ('Это потрясающее место!', 'Pos'),
... ('Мне очень нравится это пиво.', 'Pos'),
... ('Мне не нравится этот ресторан', 'neg'),
... ('Я устал от этого.', 'Neg'),
... ("Я не могу с этим справиться", 'neg'),
... («Мой начальник ужасен.», «Нег»)
...]
>>> cl = NaiveBayesClassifier (поезд)
>>> cl.classify («Я прекрасно себя чувствую!»)
'pos'
>>> blob = TextBlob ("Пиво хорошее. Но похмелье ужасное.", classifier = cl)
>>> для s в blob. предложениях:
... печать (и)
... печать (s.classify ())
...
Пиво хорошее.
позиция
Но похмелье ужасное.
негр
 

class textblob.classifiers. BaseClassifier ( train_set , feature_extractor = , format = None , ** kwargs ) [источник]

Абстрактный класс классификатора, от которого наследуются все классификаторы.На минимум, классы-потомки должны реализовывать метод classify и иметь классификатор собственность.

Параметры:

train_set — обучающий набор, либо список кортежей формы (текст, классификация) или файловый объект. текст может быть либо строка или итерация. feature_extractor ( вызываемый ) — функция извлечения функций, которая принимает один или два аргумента: документ и train_set . формат ( str ) — Если train_set является именем файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла. kwargs — Конструктору передаются дополнительные аргументы ключевого слова класса Format , используемый для читать данные. Применяется только тогда, когда файловый объект передается как train_set .

классификатор

Объект классификатора.

классифицируем ( текст ) [источник]

Классифицирует строку текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

этикеток () [источник]

Возвращает итерацию, содержащую возможные метки.

поезд ( labeled_featureset ) [источник]

Обучает классификатор.

class textblob.classifiers. DecisionTreeClassifier ( train_set , feature_extractor = , format = None , ** kwargs ) [источник]

Классификатор на основе алгоритма дерева решений, реализованный в НЛТК.

Параметры:	train_set — обучающий набор, либо список кортежей формы (текст, классификация) или имя файла. текст может быть либо строка или итерация. feature_extractor — Функция извлечения признаков, которая принимает один или два аргумента: документ и train_set . формат — Если train_set — это имя файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла.

точность ( test_set , формат = нет )

Вычислите точность на тестовом наборе.

Параметры:	test_set — список кортежей в форме (текст, метка) или указатель файла. формат — Если test_set — имя файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла.

классификатор

Классификатор.

классифицируйте ( текст )

Классифицирует текст.

Параметры:	текст ( str ) — строка текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

этикеток ()

Вернуть итерацию возможных меток.

nltk_class

псевдоним nltk.classify.decisiontree.DecisionTreeClassifier

pprint ( * args , ** kwargs )

Вернуть строку, содержащую хорошо напечатанную версию этого решения дерево. Каждая строка в строке соответствует одному узлу дерева решений. или лист, а отступ используется для отображения структуры дерева.

pretty_format ( * args , ** kwargs ) [источник]

Вернуть строку, содержащую хорошо напечатанную версию этого решения дерево.Каждая строка в строке соответствует одному узлу дерева решений. или лист, а отступ используется для отображения структуры дерева.

псевдокод ( * args , ** kwargs ) [источник]

Вернуть строковое представление этого дерева решений, которое выражает решения, которые он принимает, как вложенный набор псевдокодовых операторов if.

поезд ( * args , ** kwargs )

Обучите классификатор с помеченным набором функций и верните классификатор.Принимает те же аргументы, что и обернутый класс NLTK. Этот метод неявно вызывается при вызове classify или точность методов и включен только для того, чтобы разрешить передачу аргументов в метод train обернутого класса NLTK.

обновление ( new_data , * args , ** kwargs )

Обновить классификатор новыми данными обучения и повторно обучить классификатор.

Параметры:	new_data — Новые данные в виде списка кортежей формы (текст, этикетка) .

class textblob.classifiers. MaxEntClassifier ( train_set , feature_extractor = , format = None , ** kwargs ) [источник]

Классификатор максимальной энтропии (также известный как «условный экспоненциальный классификатор »). Этот классификатор параметризуется набор «весов», которые используются для объединения элементов сустава которые генерируются из набора функций с помощью «кодировки».В в частности, кодирование сопоставляет каждую пару (набор функций, метка) с вектор. Затем вероятность каждой метки вычисляется с использованием следующее уравнение:

 dotprod (веса, кодирование (фс, метка))
prob (fs | label) = ------------------------------------------- --------
                 sum (dotprod (weights, encode (fs, l)) для l в метках)
 

Где dotprod — скалярное произведение:

 dotprod (a, b) = sum (x * y for (x, y) in zip (a, b))
 

точность ( test_set , формат = нет )

Вычислите точность на тестовом наборе.

Параметры:	test_set — список кортежей в форме (текст, метка) или указатель файла. формат — Если test_set — имя файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла.

классификатор

Классификатор.

классифицируйте ( текст )

Классифицирует текст.

Параметры:	текст ( str ) — строка текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

этикеток ()

Вернуть итерацию возможных меток.

nltk_class

псевдоним nltk.classify.maxent.MaxentClassifier

prob_classify ( текст ) [источник]

Вернуть распределение вероятностей метки для классификации строки текста.

Пример:

 >>> classifier = MaxEntClassifier (train_data)
>>> prob_dist = classifier.prob_classify ("Сегодня утром я счастлив.")
>>> prob_dist.max ()
'положительный'
>>> prob_dist.prob ("положительный")
0,7
 

Тип возврата:	nltk.probability.DictionaryProbDist

поезд ( * args , ** kwargs )

Обучите классификатор с помеченным набором функций и верните классификатор. Принимает те же аргументы, что и обернутый класс NLTK. Этот метод неявно вызывается при вызове classify или точность методов и включен только для того, чтобы разрешить передачу аргументов в метод train обернутого класса NLTK.

обновление ( new_data , * args , ** kwargs )

Обновить классификатор новыми данными обучения и повторно обучить классификатор.

Параметры:	new_data — Новые данные в виде списка кортежей формы (текст, этикетка) .

class textblob.classifiers. NLTKClassifier ( train_set , feature_extractor = , format = None , ** kwargs ) [источник]

Абстрактный класс, который является оболочкой для модуля nltk.classify.

Ожидает, что дочерние классы будут включать переменную класса nltk_class который является классом в модуле nltk.classify, который нужно обернуть.

Пример:

 класс MyClassifier (NLTKClassifier):
    nltk_class = nltk.classify.svm.SvmClassifier
 

точность ( test_set , format = None ) [источник]

Вычислите точность на тестовом наборе.

Параметры:	test_set — список кортежей в форме (текст, метка) или указатель файла. формат — Если test_set — имя файла, формат файла, например «csv» или «json» .Если Нет , попытается обнаружить формат файла.

классификатор

Классификатор.

классифицируем ( текст ) [источник]

Классифицирует текст.

Параметры:	текст ( str ) — строка текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

этикеток () [источник]

Вернуть итерацию возможных меток.

nltk_class = Нет

Класс NLTK, который нужно обернуть. Должен быть классом в nltk.classify

поезд ( * args , ** kwargs ) [источник]

Обучите классификатор с помеченным набором функций и верните классификатор.Принимает те же аргументы, что и обернутый класс NLTK. Этот метод неявно вызывается при вызове classify или точность методов и включен только для того, чтобы разрешить передачу аргументов в метод train обернутого класса NLTK.

обновление ( new_data , * args , ** kwargs ) [источник]

Обновить классификатор новыми данными обучения и повторно обучить классификатор.

Параметры:	new_data — Новые данные в виде списка кортежей формы (текст, этикетка) .

class textblob.classifiers. NaiveBayesClassifier ( train_set , feature_extractor = , format = None , ** kwargs ) [источник]

Классификатор на основе алгоритма Наивного Байеса, реализованного в НЛТК.

Параметры:	train_set — обучающий набор, либо список кортежей формы (текст, классификация) или имя файла. текст может быть либо строка или итерация. feature_extractor — Функция извлечения признаков, которая принимает один или два аргумента: документ и train_set . формат — Если train_set — это имя файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла.

точность ( test_set , формат = нет )

Вычислите точность на тестовом наборе.

Параметры:	test_set — список кортежей в форме (текст, метка) или указатель файла. формат — Если test_set — имя файла, формат файла, например «csv» или «json» . Если Нет , попытается обнаружить формат файла.

классификатор

Классификатор.

классифицируйте ( текст )

Классифицирует текст.

Параметры:	текст ( str ) — строка текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

informative_features ( * args , ** kwargs ) [источник]

Возвращает наиболее информативные функции в виде списка кортежей форма (имя_функции, значение_функции) .

этикеток ()

Вернуть итерацию возможных меток.

nltk_class

псевдоним nltk.classify.naivebayes.NaiveBayesClassifier

prob_classify ( текст ) [источник]

Вернуть распределение вероятностей метки для классификации строки текста.

Пример:

 >>> classifier = NaiveBayesClassifier (train_data)
>>> prob_dist = классификатор.prob_classify ("Сегодня утром я счастлив.")
>>> prob_dist.max ()
'положительный'
>>> prob_dist.prob ("положительный")
0,7
 

Тип возврата:	nltk.probability.DictionaryProbDist

show_informative_features ( * args , ** kwargs ) [источник]

Отображает список наиболее информативных функций для этого классификатор.

поезд ( * args , ** kwargs )

Обучите классификатор с помеченным набором функций и верните классификатор.Принимает те же аргументы, что и обернутый класс NLTK. Этот метод неявно вызывается при вызове classify или точность методов и включен только для того, чтобы разрешить передачу аргументов в метод train обернутого класса NLTK.

обновление ( new_data , * args , ** kwargs )

Обновить классификатор новыми данными обучения и повторно обучить классификатор.

Параметры:	new_data — Новые данные в виде списка кортежей формы (текст, этикетка) .

class textblob.classifiers. PositiveNaiveBayesClassifier ( positive_set , unlabeled_set , feature_extractor = , positive_prob_prior = 0,5 , ** kwargs

09) [источник]

Вариант наивного байесовского классификатора, который выполняет двоичную классификация с частично размеченными обучающими наборами, т.е.е. когда только один класс помечен, а другой нет. Предполагая предварительное распределение на двух этикетках использует немаркированный набор для оценки частот особенности.

Пример использования:

 >>> из text.classifiers import PositiveNaiveBayesClassifier
>>> sports_sentences = ['Команда доминировала в игре',
... 'Они потеряли мяч',
... 'Игра была напряженная',
... 'Вратарь поймал мяч',
...«Другая команда контролировала мяч»]
>>> different_sentences = ['Президент не комментировал',
... 'Я потерял ключи',
... 'Команда выиграла игру',
... 'У Сары двое детей',
... 'Мяч ушел за пределы площадки',
... 'У них был мяч всю игру',
...                        'Шоу закончилось']
>>> classifier = PositiveNaiveBayesClassifier (positive_set = sports_sentences,
... unlabeled_set = различные_ предложения)
>>> classifier.classify («Моя команда проиграла игру»)
Правда
>>> classifier.classify («А теперь о другом.»)
Ложь
 

Параметры:	positive_set — набор строк с положительной меткой. unlabeled_set — Коллекция немаркированных строк. feature_extractor — Функция извлечения признаков. positive_prob_prior — Априорная оценка вероятности этикетка True .

точность ( test_set , формат = нет )

Вычислите точность на тестовом наборе.

Параметры:	test_set — список кортежей в форме (текст, метка) или указатель файла. формат — Если test_set — это имя файла, формат файла, e.грамм. «csv» или «json» . Если Нет , попытается обнаружить формат файла.

классификатор

Классификатор.

классифицируйте ( текст )

Классифицирует текст.

Параметры:	текст ( str ) — строка текста.

Извлекает элементы из основного текста.

Тип возврата:	Словарь функций

этикеток ()

Вернуть итерацию возможных меток.

поезд ( * args , ** kwargs ) [источник]

Обучите классификатор с помеченными и немаркированными наборами функций и верните классификатор. Принимает те же аргументы, что и обернутый класс NLTK.Этот метод неявно вызывается при вызове classify или точность методов и включен только для того, чтобы разрешить передачу аргументов в метод train обернутого класса NLTK.

обновление ( new_positive_data = None , new_unlabeled_data = None , positive_prob_prior = 0,5 , * args , ** kwargs ) [источник]

Обновить классификатор новыми данными и повторно обучить классификатор.

Параметры:	new_positive_data — Список новых помеченных строк. new_unlabeled_data — Список новых, немаркированных строк.

Средство извлечения основных функций документа, которое возвращает dict, указывающее какие слова в train_set содержатся в документе .

Параметры:	документ — текст, из которого нужно извлечь признаки.Может быть строкой или итерацией. train_set ( список ) — Набор обучающих данных, список кортежей формы (слова, метка) ИЛИ итерация строк.

Базовое средство извлечения признаков документа, которое возвращает словарь слов, документ содержит.

Форматы файлов

Форматы файлов для данных обучения и тестирования.

Включает реестр допустимых форматов файлов.Новые форматы файлов могут быть добавлены в реестр так:

 из форматов импорта текстовых блоков

класс PipeDelimitedFormat (форматы.DelimitedFormat):
    разделитель = '|'

форматы.register ('psv', PipeDelimitedFormat)
 

После регистрации формата классификаторы смогут читать файлы данных с этот формат.

 из textblob.classifiers import NaiveBayesAnalyzer

с open ('training_data.psv', 'r') как fp:
    cl = NaiveBayesAnalyzer (fp, format = 'psv')
 

класс текстовый блок.форматы. BaseFormat ( fp , ** kwargs ) [источник]

Интерфейс для классов формата. Индивидуальные форматы могут выбрать состав и значение ** kwargs .

Параметры:	fp ( File ) — файловый объект.

Изменено в версии 0.9.0: Конструктор получает указатель на файл, а не путь к файлу.

classmethod обнаружение ( поток ) [источник]

Определить формат файла по имени файла.Верните True, если поток имеет этот формат файла.

Изменено в версии 0.9.0: Изменен со статического метода на метод класса.

to_iterable () [источник]

Вернуть повторяемый объект из данных.

class textblob.formats. CSV ( fp , ** kwargs ) [источник]

Формат CSV. Предполагается, что каждая строка имеет форму текста , метка .

 Сегодня хороший день, поз.
Ненавижу эту машину., Поз.
 

classmethod обнаружение ( поток )

Вернуть True, если поток действителен.

to_iterable ()

Вернуть повторяемый объект из данных.

class textblob.formats. DelimitedFormat ( fp , ** kwargs ) [источник]

Общий формат с разделителями символов.

classmethod обнаружение ( поток ) [источник]

Вернуть True, если поток действителен.

to_iterable () [источник]

Вернуть повторяемый объект из данных.

class textblob.formats. JSON ( fp , ** kwargs ) [источник]

Формат JSON.

Предполагает, что JSON отформатирован как массив объектов с текстом и метка недвижимость.

 [
    {"text": "Сегодня хороший день.", "label": "pos"},
    {"text": "Ненавижу эту машину.", "label": "neg"}
]
 

classmethod обнаружение ( поток ) [источник]

Вернуть True, если поток является допустимым JSON.

to_iterable () [источник]

Вернуть повторяемый объект из данных JSON.

класс текстовый блок.форматы. TSV ( fp , ** kwargs ) [источник]

Формат TSV. Предполагается, что каждая строка имеет форму , текстовая метка .

classmethod обнаружение ( поток )

Вернуть True, если поток действителен.

to_iterable ()

Вернуть повторяемый объект из данных.

текстовых блоков.форматы. обнаружить ( fp , max_read = 1024 ) [источник]

Попытка определить формат файла, пробуя каждый из поддерживаемых форматы.