用Python语言给给语句中的词性进行分类，分出名词和形容词

可以使用Python中的自然语言处理工具NLTK来进行词性分类。具体实现如下：

import nltk

sentence = "This is a beautiful day."
tokens = nltk.word_tokenize(sentence)
tags = nltk.pos_tag(tokens)

nouns = []
adjectives = []

for tag in tags:
    if tag[1] == 'NN' or tag[1] == 'NNS' or tag[1] == 'NNP' or tag[1] == 'NNPS':
        nouns.append(tag[0])
    elif tag[1] == 'JJ' or tag[1] == 'JJR' or tag[1] == 'JJS':
        adjectives.append(tag[0])

print("Nouns:", nouns)
print("Adjectives:", adjectives)

输出结果为：

Nouns: ['day']
Adjectives: ['beautiful']

其中，`nltk.word_tokenize()`函数用于将句子分词，`nltk.pos_tag()`函数用于对分词后的单词进行词性标注。根据标注结果，将名词和形容词分别存入相应的列表中。

相关问题

用python jieba对文章中名词 动词 形容词 进行词频统计并绘制词云图

好的，首先需要安装jieba和wordcloud模块，可以通过以下命令安装：

pip install jieba
pip install wordcloud

接下来，我们假设文章内容已经存储在一个txt文件中，代码如下：

import jieba
from collections import Counter
from wordcloud import WordCloud
import matplotlib.pyplot as plt

with open('article.txt', 'r', encoding='utf-8') as f:
    content = f.read()

# 使用jieba进行分词
words = jieba.cut(content)

# 定义需要统计的词性
word_type = ['n', 'v', 'a']

# 过滤出指定词性的词语
filtered_words = [word for word in words if len(word) >= 2 and word.strip() and word.startswith(tuple(word_type))]

# 统计词频
word_count = Counter(filtered_words)

# 绘制词云图
wc = WordCloud(font_path='simhei.ttf', background_color='white', max_words=200, width=1200, height=800)
wc.generate_from_frequencies(word_count)
plt.imshow(wc)
plt.axis('off')
plt.show()

在上述代码中，我们使用jieba进行中文分词，并通过传入一个包含需要统计的词性的列表来过滤出名词、动词和形容词。然后使用Counter类来统计每个词语的出现频率。最后通过wordcloud模块来绘制词云图。

需要注意的是，我们在绘制词云图时，需要指定字体文件的路径，否则可能会出现乱码。在本例中，我们使用了宋体字体的一个变体simhei.ttf。

运行完上述代码后，就可以得到一个词云图，它会显示文章中出现频率较高的词语，可以帮助我们更好地了解文章的主题和关键词。

如何用python对一篇给出的中文文章中的名词、动词和形容词做词频统计并绘制词云图。

要实现这个任务，我们需要使用到以下几个 Python 库：

- jieba：中文分词库
- wordcloud：词云图生成库
- matplotlib：数据可视化库

首先，我们需要安装以上三个库，可以使用以下命令：

pip install jieba wordcloud matplotlib

安装完成后，我们可以开始编写代码。

import jieba
import matplotlib.pyplot as plt
from wordcloud import WordCloud

# 读取文章内容
with open('article.txt', 'r', encoding='utf-8') as f:
    content = f.read()

# 对文章进行分词
words = jieba.cut(content)

# 定义词频统计字典
freq_dict = {}

# 遍历分词结果，统计词频
for word in words:
    if len(word) < 2:
        continue
    if word in freq_dict:
        freq_dict[word] += 1
    else:
        freq_dict[word] = 1

# 提取名词、动词和形容词
nouns = []
verbs = []
adjs = []
for word, freq in freq_dict.items():
    pos = jieba.lcut(word, HMM=False)[0]
    if pos == 'n':
        nouns.append((word, freq))
    elif pos == 'v':
        verbs.append((word, freq))
    elif pos == 'a':
        adjs.append((word, freq))

# 绘制名词词云图
noun_wc = WordCloud(font_path='msyh.ttc', width=800, height=600, background_color='white')
noun_wc.generate_from_frequencies(dict(nouns))
plt.imshow(noun_wc, interpolation='bilinear')
plt.axis('off')
plt.show()

# 绘制动词词云图
verb_wc = WordCloud(font_path='msyh.ttc', width=800, height=600, background_color='white')
verb_wc.generate_from_frequencies(dict(verbs))
plt.imshow(verb_wc, interpolation='bilinear')
plt.axis('off')
plt.show()

# 绘制形容词词云图
adj_wc = WordCloud(font_path='msyh.ttc', width=800, height=600, background_color='white')
adj_wc.generate_from_frequencies(dict(adjs))
plt.imshow(adj_wc, interpolation='bilinear')
plt.axis('off')
plt.show()

以上代码中，我们首先使用 `jieba` 库将文章进行分词，然后统计分词结果中名词、动词和形容词的词频，并分别绘制词云图。

需要注意的是，我们在分词时使用了 `jieba.lcut(word, HMM=False)[0]` 来提取词性，其中 `HMM=False` 表示关闭隐马尔可夫模型，这样可以提高分词的准确率。此外，我们还过滤了单个字和长度小于 2 的词，这些词往往没有实际意义，不应计入词频统计中。

最后，我们使用 `plt.imshow()` 和 `plt.show()` 函数来显示词云图。在显示词云图时，需要设置 `interpolation='bilinear'` 参数来改善图像质量。