Cuente verbos, sustantivos y otras partes del discurso con NLTK de Python

Question

Tengo varios textos y me gustaría crear perfiles de ellos en función del uso de varias partes de la oración, como sustantivos y verbos.Básicamente, necesito contar cuántas veces se usa cada parte del discurso.

He etiquetado el texto pero no estoy seguro de cómo continuar:

tokens = nltk.word_tokenize(text.lower())
text = nltk.Text(tokens)
tags = nltk.pos_tag(text)

¿Cómo puedo guardar los recuentos de cada parte del discurso en una variable?

Answer 1

El pos_tag El método le devuelve una lista de pares (token, etiqueta):

tagged = [('the', 'DT'), ('dog', 'NN'), ('sees', 'VB'), ('the', 'DT'), ('cat', 'NN')] 

Si está utilizando Python 2.7 o posterior, puede hacerlo simplemente con:

>>> from collections import Counter
>>> counts = Counter(tag for word,tag in tagged)
>>> counts
Counter({'DT': 2, 'NN': 2, 'VB': 1})

Para normalizar los recuentos (dándole la proporción de cada uno), haga:

>>> total = sum(counts.values())
>>> dict((word, float(count)/total) for word,count in counts.items())
{'DT': 0.4, 'VB': 0.2, 'NN': 0.4}

Tenga en cuenta que en versiones anteriores de Python, deberá implementar Counter tú mismo:

>>> from collections import defaultdict
>>> counts = defaultdict(int)
>>> for word, tag in tagged:
...  counts[tag] += 1

>>> counts
defaultdict(<type 'int'>, {'DT': 2, 'VB': 1, 'NN': 2})