PNL | Corpus de texto categorizado

Si tenemos una gran cantidad de datos de texto, entonces uno puede categorizarlos en secciones separadas. 

Código #1: Categorización  

# Loading brown corpus
from nltk.corpus import brown
 
brown.categories()

Producción : 

['adventure', 'belles_lettres', 'editorial', 'fiction', 'government',
'hobbies', 'humor', 'learned', 'lore', 'mystery', 'news', 'religion',
'reviews', 'romance', 'science_fiction']

¿Cómo categorizar un corpus?  
La forma más fácil es tener un archivo para cada categoría. Los siguientes son dos extractos del corpus movie_reviews: 

• movie_pos.txt
• movie_neg.txt

Usando estos dos archivos, tendremos dos categorías: pos y neg.

Código #2: Vamos a categorizar  

from nltk.corpus.reader import CategorizedPlaintextCorpusReader
 
reader = CategorizedPlaintextCorpusReader(
        '.', r'movie_.*\.txt', cat_pattern = r'movie_(\w+)\.txt')
 
print ("Categorize : ", reader.categories())
 
print ("\nNegative field : ", reader.fileids(categories =['neg']))
 
print ("\nPositive field : ", reader.fileids(categories =['pos']))

Producción : 

Categorize : ['neg', 'pos']

Negative field : ['movie_neg.txt']

Positive field : ['movie_pos.txt']

Código #3: En lugar de cat_pattern, usando en un cat_map 

from nltk.corpus.reader import CategorizedPlaintextCorpusReader
 
reader = CategorizedPlaintextCorpusReader(
        '.', r'movie_.*\.txt', cat_map ={'movie_pos.txt': ['pos'],
                                        'movie_neg.txt': ['neg']})
     
print ("Categorize : ", reader.categories())

Producción : 

Categorize : ['neg', 'pos']