本月的每月挑戰會主題是NLP，我們會在本文幫你開啟一種可能：使用pandas和python的自然語言工具包分析你Gmail郵箱中的內容。
NLP-風格的項目充滿無限可能：
- 情感分析是對諸如在線評論、社交媒體等情感內容的測度。舉例來說，關于某個話題的tweets趨向于正面還是負面的意見？一個新聞網站涵蓋的主題，是使用了更正面/負面的詞語，還是經常與某些情緒相關的詞語？這個“正面”的Yelp點評不是很諷刺么？（祝最后去的那位好運！）
- 分析語言在文學中的使用，進而衡量詞匯或者寫作風格隨時間/地區/作者的變化趨勢.
- 通過識別所使用的語言的關鍵特征，標記是否為垃圾內容。
- 基于評論所覆蓋的主題，使用主題抽取進行相似類別的劃分。
- 通過NLTK's的語料庫，應用Elastisearch和WordNet的組合來衡量Twitter流API上的詞語相似度，進而創建一個更好的實時Twitter搜索。
- 加入NaNoGenMo項目，用代碼生成自己的小說，你可以從這里大量的創意和資源入手。
將Gmail收件箱加載到pandas
讓我們從項目實例開始！首先我們需要一些數據。準備你的Gmail的數據存檔（包括你最近的垃圾郵件和垃圾文件夾）。
https://www.google.com/settings/takeout
現在去散步吧，對于5.1G大小的信箱，我2.8G的存檔需要發送一個多小時。
當你得到數據并為工程配置好本地環境之后好，使用下面的腳本將數據讀入到pandas（強烈建議使用IPython進行數據分析）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
from mailbox import mboximport pandas as pd def store_content(message, body=None): if not body: body = message.get_payload(decode=True) if len(message): contents = { "subject": message['subject'] or "", "body": body, "from": message['from'], "to": message['to'], "date": message['date'], "labels": message['X-Gmail-Labels'], "epilogue": message.epilogue, } return df.append(contents, ignore_index=True) # Create an empty DataFrame with the relevant columnsdf = pd.DataFrame( columns=("subject", "body", "from", "to", "date", "labels", "epilogue")) # Import your downloaded mbox filebox = mbox('All mail Including Spam and Trash.mbox') fails = []for message in box: try: if message.get_content_type() == 'text/plain': df = store_content(message) elif message.is_multipart(): # Grab any plaintext from multipart messages for part in message.get_payload(): if part.get_content_type() == 'text/plain': df = store_content(message, part.get_payload(decode=True)) break except: fails.append(message) |
上面使用Python的mailbox模塊讀取并解析mbox格式的郵件。當然還可以使用更加優雅的方法來完成（比如，郵件中包含大量冗余、重復的數據，像回復中嵌入的“>>>”符號）。另外一個問題是無法處理一些特殊的字符，簡單起見，我們進行丟棄處理；確認你在這一步沒有忽略信箱中重要的部分。
需要注意的是，除了主題行，我們實際上并不打算利用其它內容。但是你可以對時間戳、郵件正文進行各種各樣有趣的分析，通過標簽進行分類等等。鑒于這只是幫助你入門的文章（碰巧會顯示來自我自己信箱中的結果），我不想去考慮太多細節。
查找常用詞語
現在我們已經得到了一些數據，那么來找出所有標題行中最常用的10個詞語：
|
1
2
3
4
5
6
7
8
|
# Top 10 most common subject wordsfrom collections import Counter subject_word_bag = df.subject.apply(lambda t: t.lower() + " ").sum() Counter(subject_word_bag.split()).most_common()[:10] [('re:', 8508), ('-', 1188), ('the', 819), ('fwd:', 666), ('to', 572), ('new', 530), ('your', 528), ('for', 498), ('a', 463), ('course', 452)] |
嗯，那些太常見了，下面嘗試對常用詞語做些限制：
|
1
2
3
4
5
6
|
from nltk.corpus import stopwordsstops = [unicode(word) for word in stopwords.words('english')] + ['re:', 'fwd:', '-']subject_words = [word for word in subject_word_bag.split() if word.lower() not in stops]Counter(subject_words).most_common()[:10] [('new', 530), ('course', 452), ('trackmaven', 334), ('question', 334), ('post', 286), ('content', 245), ('payment', 244), ('blog', 241), ('forum', 236), ('update', 220)] |
除了人工移除幾個最沒價值的詞語，我們也使用了NLTK的停用詞語料庫，使用前需要進行傻瓜式安裝。現在可以看到我收件箱中的一些典型詞語，但通常來講在英文文本中并不一定同樣是典型的。
二元詞組和搭配詞
NLTK可以進行另外一個有趣的測量是搭配原則。首先，我們來看下常用的“二元詞組”，即經常一起成對出現的兩個單詞的集合：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
from nltk import collocationsbigram_measures = collocations.BigramAssocMeasures()bigram_finder = collocations.BigramCollocationFinder.from_words(subject_words) # Filter to top 20 results; otherwise this will take a LONG time to analyzebigram_finder.apply_freq_filter(20)for bigram in bigram_finder.score_ngrams(bigram_measures.raw_freq)[:10]: print bigram (('forum', 'content'), 0.005839453284373725)(('new', 'forum'), 0.005839453284373725)(('blog', 'post'), 0.00538045695634435)(('domain', 'names'), 0.004870461036311709)(('alpha', 'release'), 0.0028304773561811506)(('default', 'widget.'), 0.0026519787841697267)(('purechat:', 'question'), 0.0026519787841697267)(('using', 'default'), 0.0026519787841697267)(('release', 'third'), 0.002575479396164831)(('trackmaven', 'application'), 0.002524479804161567) |
我們可以對三元詞組（或n元詞組）重復相同的步驟來查找更長的短語。這個例子中，“new forum content”是出現次數最多的三元詞組，但是在上面例子的列表中，它卻被分割成兩部分并位居二元詞組列表的前列。
另外一個稍微不同類型的搭配詞的度量是基于點間互信息（pointwise mutual information）的。本質上，它所度量的是給定一個我們在指定文本中看到的單詞，相對于他們通常在全部文檔中單獨出現的頻率，另外一個單詞出現的可能性。舉例來說，通常，如果我的郵件主題使用單詞“blog”與/或“post”很多，那么二元組“blog post”并不是一個有趣的信號，因為一個單詞仍然可能不和另一個單詞同時出現。根據這條準則，我們得到一個不同的二元組的集合。
|
1
2
3
4
5
6
7
8
|
for bigram in bigram_finder.nbest(bigram_measures.pmi, 5): print bigram ('4:30pm', '5pm')('motley', 'fool')('60,', '900,')('population', 'cap')('simple', 'goods') |
因此，我沒有收到很多提到單詞“motley”或者“fool”的郵件主題，但是當我看到其中任意一個，那么“Motley Fool”可能是相關聯的。
情感分析
最后，讓我們嘗試一些情感分析。為了快速入門，我們可以使用以NLTK為基礎的TextBlob庫，它提供了對于大量的常用NLP任務的簡單訪問。我們可以使用它內建的情感分析（基于模式）來計算主題的“極性（polarity）”。從,表示高度負面情緒的-1到表示正面情緒的1，其中0為中性（缺乏一個明確的信號）
接下來：分析一段時間內的你的收件箱；看看是否能夠通過郵件分類，確定正文的發送者/標簽/垃圾這些基本屬性。使用潛在語義索引去揭示所涵蓋的最常用的常規主題。將你的發件文件夾輸入到馬爾科夫模型（Markov model）中，結合詞性標注生成看起來連貫的自動回復
請讓我們知道你是否使用NLP嘗試了有趣的項目分支，包含一份開源庫將作為加分點。你可以在challenge.hackpad.com看下前面的展示，以找到更多的靈感！
