Python | Etiquetado de punto de venta y lematización con spaCy

spaCy es una de las mejores bibliotecas de análisis de texto. spaCy sobresale en tareas de extracción de información a gran escala y es uno de los más rápidos del mundo. También es la mejor manera de preparar el texto para el aprendizaje profundo. spaCy es mucho más rápido y preciso que NLTKTagger y TextBlob.

Cómo instalar ?

pip install spacy
python -m spacy download en_core_web_sm

 
Principales características de spaCy:
1. Tokenización no destructiva
2. Reconocimiento de entidades nombradas
3. Soporte para más de 49 idiomas
4. 16 modelos estadísticos para 9 idiomas
5. Vectores de palabras previamente entrenados
6. Etiquetado de partes del discurso
7. Dependencia etiquetada análisis
8. Segmentación de oraciones basada en la sintaxis

 
Importar y cargar biblioteca:

import spacy
  
# python -m spacy download en_core_web_sm
nlp = spacy.load("en_core_web_sm")

 
Etiquetado de POS para reseñas:

Es un método para identificar palabras como sustantivos, verbos, adjetivos, adverbios, etc.

import spacy
  
# Load English tokenizer, tagger, 
# parser, NER and word vectors
nlp = spacy.load("en_core_web_sm")
  
# Process whole documents
text = ("""My name is Shaurya Uppal. 
I enjoy writing articles on GeeksforGeeks checkout
my other article by going to my profile section.""")
  
doc = nlp(text)
  
# Token and Tag
for token in doc:
  print(token, token.pos_)
  
# You want list of Verb tokens
print("Verbs:", [token.text for token in doc if token.pos_ == "VERB"])

Producción:

My DET
name NOUN
is VERB
Shaurya PROPN
Uppal PROPN
. PUNCT
I PRON
enjoy VERB
writing VERB
articles NOUN
on ADP
GeeksforGeeks PROPN
checkout VERB
my DET
other ADJ
article NOUN
by ADP
going VERB
to ADP
my DET
profile NOUN
section NOUN
. PUNCT

# Verb based Tagged Reviews:-
Verbs: ['is', 'enjoy', 'writing', 'checkout', 'going']

 
Lematización:

Es un proceso de agrupar las formas flexionadas de una palabra para que puedan analizarse como un solo elemento, identificado por el lema de la palabra o la forma del diccionario.

import spacy
  
# Load English tokenizer, tagger,
# parser, NER and word vectors
nlp = spacy.load("en_core_web_sm")
  
# Process whole documents
text = ("""My name is Shaurya Uppal. I enjoy writing
          articles on GeeksforGeeks checkout my other
          article by going to my profile section.""")
  
doc = nlp(text)
  
for token in doc:
  print(token, token.lemma_)

Producción:

My -PRON-
name name
is be
Shaurya Shaurya
Uppal Uppal
. .
I -PRON-
enjoy enjoy
writing write
articles article
on on
GeeksforGeeks GeeksforGeeks
checkout checkout
my -PRON-
other other
article article
by by
going go
to to
my -PRON-
profile profile
section section
. .