给我一段因果关系抽取代码

以下是一个简单的因果关系抽取代码，使用Python和NLTK库：

import nltk
from nltk.tokenize import word_tokenize, sent_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

# 加载停用词
stop_words = set(stopwords.words('english'))

# 初始化词形还原器
lemmatizer = WordNetLemmatizer()

# 定义函数提取因果关系
def extract_causal_relations(text):
    # 分句
    sentences = sent_tokenize(text)
    # 存储因果关系
    causal_relations = []
    # 迭代每个句子
    for sent in sentences:
        # 分词，去除停用词，词形还原
        words = [lemmatizer.lemmatize(w.lower()) for w in word_tokenize(sent) if w.lower() not in stop_words]
        # 查找因果关系
        for i, w in enumerate(words):
            if w in ['because', 'since']:
                if i > 0:
                    cause = words[i-1]
                    effect = w + ' ' + ' '.join(words[i+1:])
                    causal_relations.append((cause, effect))
                break
            elif w in ['result', 'consequence', 'effect']:
                if i > 0:
                    effect = words[i-1]
                    cause = ' '.join(words[:i])
                    causal_relations.append((cause, effect))
                break
    return causal_relations

# 示例用法
text = "Because of the heavy rain, the road was flooded and traffic was disrupted."
causal_relations = extract_causal_relations(text)
print(causal_relations)
# 输出：[('heavy rain', 'road was flooded and traffic was disrupted')]

该代码首先加载了NLTK的停用词列表，并初始化了一个词形还原器。然后，定义了一个函数`extract_causal_relations`，该函数接受一个文本作为输入，并返回一个包含所有因果关系的列表。在该函数中，首先使用NLTK的`sent_tokenize`函数将文本分成句子，然后使用`word_tokenize`函数将句子分成单词，并使用词形还原器进行词形还原，同时去除停用词。接下来，函数查找文本中的因果关系，如果找到，则将其加入到结果列表中。最后，函数返回结果列表。

在示例用法中，我们传递了一个包含因果关系的文本，并调用`extract_causal_relations`函数来提取因果关系。该函数将返回一个包含因果关系的列表，我们将其打印出来。在本例中，我们得到了一个包含一对因果关系的列表，即“heavy rain”是“road was flooded and traffic was disrupted”的原因。