NLTKでBritish National Corpusを使用する

Question

私はNLTK（http://www.nltk.org/）を初めて使用しています。私はNLTKのPythonライブラリを使用したいが、コーパスにはBNCを使用する。私はこのコーパスがNLTKデータのダウンロードを通じて配布されているとは思わない。 NLTKで使用するBNCコーパスをインポートする方法はありますか？もしそうなら、どうですか？私はBNCCorpusReaderと呼ばれる関数を見つけましたが、それをどのように使用するかは考えていません。また、BNCサイトではコーパス（http://ota.ox.ac.uk/desc/2554）をダウンロードできました。私はentrophyの提案を試みたが、している

http://www.nltk.org/api/nltk.corpus.reader.html?highlight=bnc#nltk.corpus.reader.BNCCorpusReader.word

アップデート次のエラーを取得する：

raise IOError('No such file or directory: %r' % _path) 
OSError: No such file or directory: 'C:\\Users\\jason\\Documents\\NetBeansProjects\\DemoCollocations\\src\\Corpora\\bnc\\A\\A0\\A00.xml' 

コーパスに読むために私のコード：

bnc_reader = BNCCorpusReader(root="Corpora/bnc", fileids=r'[A-K]/\w*/\w*\.xml') 

そして、コーパスではl C：\ユーザーはジェイソン\ドキュメント\ \ NetBeansProjects \ DemoCollocations \ SRC \コーパス\ BNC \

Answer 1

コロケーション抽出のためのNLTKの例の使用に関しては、以下のガイドを見てみましょう：A how-to guide by nltk on collocations extraction

にocated

BNCコーパスリーダーに関する限り、すべての情報はドキュメントの中にありました。

[(('of', 'the'), 0.004902261167963723), (('in', 'the'),0.003554139346773699), 
(('.', 'The'), 0.0034315828175746064), (('Gift', 'Aid'), 0.0019609044671854894), 
((',', 'and'), 0.0018996262025859428), (('for', 'the'), 0.0018383479379863962), ... ] 

をそして、あなたはスコアを使用してそれらを並べ替えしたい場合、あなたはこの

sorted_bigrams = sorted(bigram for bigram, score in scored) 

print(sorted_bigrams) 

結果のような何かを試みることができる：

from nltk.corpus.reader.bnc import BNCCorpusReader 
from nltk.collocations import BigramAssocMeasures, BigramCollocationFinder 

# Instantiate the reader like this 
bnc_reader = BNCCorpusReader(root="/path/to/BNC/Texts", fileids=r'[A-K]/\w*/\w*\.xml') 

#And say you wanted to extract all bigram collocations and 
#then later wanted to sort them just by their frequency, this is what you would do. 
#Again, take a look at the link to the nltk guide on collocations for more examples. 

list_of_fileids = ['A/A0/A00.xml', 'A/A0/A01.xml'] 
bigram_measures = BigramAssocMeasures() 
finder = BigramCollocationFinder.from_words(bnc_reader.words(fileids=list_of_fileids)) 
scored = finder.score_ngrams(bigram_measures.raw_freq) 

print(scored) 

というの出力は次のようになります。

[('!', 'If'), ('!', 'Of'), ('!', 'Once'), ('!', 'Particularly'), ('!', 'Raising'), 
('!', 'YOU'), ('!', '‘'), ('&', 'Ealing'), ('&', 'Public'), ('&', 'Surrey'), 
('&', 'TRAINING'), ("'", 'SPONSORED'), ("'S", 'HOME'), ("'S", 'SERVICE'), ... ]