We use Python 3 in this tutorial, but provide minimal guidelines for Python 2.

지난 시간 복습


Corpus말뭉치A set of documents
Token토큰Meaningful elements in a text such as words or phrases or symbols
Morphemes형태소Smallest meaningful unit in a language
POS품사Part-of-speech (ex: Nouns)

Text analysis process

전처리는 아래의 세부 과정으로 다시 한 번 나뉜다.

  1. Load text
  2. Tokenize text (ex: stemming, morph analyzing)
  3. Tag tokens (ex: POS, NER)
  4. Token(Feature) selection and/or filter/rank tokens (ex: stopword removal, TF-IDF)
  5. ...and so on (ex: calculate word/document similarities, cluster documents)

Useful Python Packages for Text Mining and NLP

  1. NLTK: Provides modules for text analysis (mostly language independent)

  2. KoNLPy: Provides modules for Korean text analysis

  3. Gensim: Provides modules for topic modeling and calculating similarities among documents

  4. Twython: Provides easy access to Twitter API

    • 설치하기

      pip install twython
    • 사용예시: "Samsung (삼성)" 관련 트윗 받기

      from twython import Twython
      import settings as s    # Create a file named settings.py, and put oauth KEY values inside
      twitter = Twython(s.APP_KEY, s.APP_SECRET, s.OAUTH_TOKEN, s.OAUTH_TOKEN_SECRET)
      tweets = twitter.search(q='삼성', count=100)
      data = [(t['user']['screen_name'], t['text'], t['created_at']) for t in tweets['statuses']]

Text exploration

1. Read document

이 튜토리얼에서는 NLTK, KoNLPy에서 제공하는 문서들을 사용한다.

할 수 있는 사람은, 위의 문서 대신 다른 텍스트 데이터를 로딩하여 사용해보자.

  • English

    from nltk.corpus import gutenberg   # Docs from project gutenberg.org
    files_en = gutenberg.fileids()      # Get file ids
    doc_en = gutenberg.open('austen-emma.txt').read()
  • Korean

    from konlpy.corpus import kobill    # Docs from pokr.kr/bill
    files_ko = kobill.fileids()         # Get file ids
    doc_ko = kobill.open('1809890.txt').read()

2. Tokenize

문서를 토큰으로 나누는 방법은 다양하다. 여기서는 영어에는 nltk.regexp_tokenize, 한국어에는 konlpy.tag.Twitter.morph를 사용해보자.

  • English

    from nltk import regexp_tokenize
    pattern = r'''(?x) ([A-Z]\.)+ | \w+(-\w+)* | \$?\d+(\.\d+)?%? | \.\.\. | [][.,;"'?():-_`]'''
    tokens_en = regexp_tokenize(doc_en, pattern)
  • Korean

    from konlpy.tag import Twitter; t = Twitter()
    tokens_ko = t.morphs(doc_ko)

3. Load tokens with nltk.Text()

nltk.Text()는 문서 하나를 편리하게 탐색할 수 있는 다양한 기능을 제공한다.

  • English

    import nltk
    en = nltk.Text(tokens_en)
  • Korean (For Python 2, name has to be input as u'유니코드'. If you are using Python 2, use u'유니코드' for input of all following Korean text.)

    import nltk
    ko = nltk.Text(tokens_ko, name='대한민국 국회 의안 제 1809890호')   # For Python 2, input `name` as u'유니코드'

지금부터 nltk.Text()가 제공하는 다양한 기능을 하나씩 살펴보자. (참고링크: class nltk.text.Text API 문서)

  1. Tokens

    • English

      print(len(en.tokens))       # returns number of tokens (document length)
      print(len(set(en.tokens)))  # returns number of unique tokens
      en.vocab()                  # returns frequency distribution

      FreqDist({',': 12018, '.': 8853, 'to': 5127, 'the': 4844, 'and': 4653, 'of': 4278, '"': 4187, 'I': 3177, 'a': 3000, 'was': 2385, ...})

    • Korean

      print(len(ko.tokens))       # returns number of tokens (document length)
      print(len(set(ko.tokens)))  # returns number of unique tokens
      ko.vocab()                  # returns frequency distribution

      FreqDist({'.': 61, '의': 46, '육아휴직': 38, '을': 34, '(': 27, ',': 26, '이': 26, ')': 26, '에': 24, '자': 24, ...})

  2. Plot frequency distributions

    • English

      en.plot(50)     # Plot sorted frequency of top 50 tokens

    • Korean

      ko.plot(50)     # Plot sorted frequency of top 50 tokens

    Tip: To save a plot programmably, and not through the GUI, overwrite pylab.show with pylab.savefig before drawing the plot (reference):

    from matplotlib import pylab
    pylab.show = lambda: pylab.savefig('some_filename.png')

    Troubleshooting: For those who see rectangles instead of letters in the saved plot file, include the following configurations before drawing the plot:

    from matplotlib import font_manager, rc
    font_fname = 'c:/windows/fonts/gulim.ttc'     # A font of your choice
    font_name = font_manager.FontProperties(fname=font_fname).get_name()
    rc('font', family=font_name)

    Some example fonts:

    • Mac OS: /Library/Fonts/AppleGothic.ttf
  3. Count

    • English

      en.count('Emma')        # Counts occurrences


    • Korean

      ko.count('초등학교')   # Counts occurrences


  4. Dispersion plot

    • English

      en.dispersion_plot(['Emma', 'Frank', 'Jane'])

    • Korean

      ko.dispersion_plot(['육아휴직', '초등학교', '공무원'])

  5. Concordance

    • English

      en.concordance('Emma', lines=5)

      Displaying 5 of 865 matches:
                                           Emma by Jane Austen 1816 ] VOLUME I CHAPT
                                           Emma Woodhouse , handsome , clever , and
      both daughters , but particularly of Emma . Between them it was more the int
       friend very mutually attached , and Emma doing just what she liked ; highly e
      r own . The real evils , indeed , of Emma ' s situation were the power of havi

    • Korean (or, use konlpy.utils.concordance)


      Displaying 6 of 6 matches:
       ․ 김정훈 김학송 의원 ( 10 인 ) 제안 이유 및 주요 내용 초등학교 저학년 의 경우 에도 부모 의 따뜻한 사랑 과 보살핌 이 필요 한
       을 할 수 있는 자녀 의 나이 는 만 6 세 이하 로 되어 있어 초등학교 저학년 인 자녀 를 돌보기 위해서 는 해당 부모님 은 일자리 를
       다 . 제 63 조제 2 항제 4 호 중 “ 만 6 세 이하 의 초등학교 취학 전 자녀 를 ” 을 “ 만 8 세 이하 ( 취학 중인 경우
       전 자녀 를 ” 을 “ 만 8 세 이하 ( 취학 중인 경우 에는 초등학교 2 학년 이하 를 말한 다 ) 의 자녀 를 ” 로 한 다 . 부
       . ∼ 3 . ( 현행 과 같 음 ) 4 . 만 6 세 이하 의 초등학교 취 4 . 만 8 세 이하 ( 취학 중인 경우 학 전 자녀 를 양
      세 이하 ( 취학 중인 경우 학 전 자녀 를 양육 하기 위하 에는 초등학교 2 학년 이하 를 여 필요하거 나 여자 공무원 이 말한 다 ) 의

  6. Find similar words

    • English


      she it he i harriet you her jane him that me and all they them there herself was hartfield be
      mr mrs emma harriet you it her she he him hartfield them jane that isabella all herself look i me

    • Korean



  7. Collocations

    • English


      Frank Churchill; Miss Woodhouse; Miss Bates; Jane Fairfax; Miss
      Fairfax; every thing; young man; every body; great deal; dare say;
      John Knightley; Maple Grove; Miss Smith; Miss Taylor; Robert Martin;
      Colonel Campbell; Box Hill; said Emma; Harriet Smith; William Larkins

    • Korean


      초등학교 저학년; 육아휴직 대상

For more information on nltk.Text(), see the source code or API.

Tagging and chunking

Until now, we used delimited text, namely tokens, to explore our sample document. Now let's classify words into given classes, namely part-of-speech tags, and chunk text into larger pieces.

1. POS tagging

There are numerous ways of tagging a text. Among them, the most frequently used, and developed way of tagging is arguably POS tagging.

Since one document is too long to observe a parsed structure, lets use one short sentence for each language.

  • English

    tokens = "The little yellow dog barked at the Persian cat".split()
    tags_en = nltk.pos_tag(tokens)

    [('The', 'DT'),
     ('little', 'JJ'),
     ('yellow', 'NN'),
     ('dog', 'NN'),
     ('barked', 'VBD'),
     ('at', 'IN'),
     ('the', 'DT'),
     ('Persian', 'NNP'),
     ('cat', 'NN')]

  • Korean

    from konlpy.tag import Twitter; t = Twitter()
    tags_ko = t.pos("작고 노란 강아지가 페르시안 고양이에게 짖었다")

    [('작고', 'Noun'),
     ('노란', 'Adjective'),
     ('강아지', 'Noun'),
     ('가', 'Josa'),
     ('페르시안', 'Noun'),
     ('고양이', 'Noun'),
     ('에게', 'Josa'),
     ('짖었', 'Noun'),
     ('다', 'Josa')]

2. Noun phrase chunking

nltk.RegexpParser() is a great way to start chunking.

  • English

    parser_en = nltk.RegexpParser("NP: {<DT>?<JJ>?<NN.*>*}")
    chunks_en = parser_en.parse(tags_en)

  • Korean

    parser_ko = nltk.RegexpParser("NP: {<Adjective>*<Noun>*}")
    chunks_ko = parser_ko.parse(tags_ko)

For more information on chunking, refer to Extracting Information from Text for English, and Chunking for Korean.

Drawing a word cloud

  1. 제 1809890호 의안의 빈도분포(frequency distribution)를 다시 살펴보자.


    FreqDist({'.': 61, '의': 46, '육아휴직': 38, '을': 34, '(': 27, ',': 26, '이': 26, ')': 26, '에': 24, '자': 24, ...})

  2. 이 빈도분포의 data type과 attribute 목록을 확인해보자.





  3. items()를 사용하면 빈도분포의 item 전체를 set의 형태로 볼 수 있다. 이를 data라는 이름의 변수에 저장한 후, data type을 관찰하자.

    data = ko.vocab().items()

    dict_items([('명', 5), ('예상된', 3), ('하나', 1), ('11', 2), ('팀', 2), ...])
    <class 'dict_items'>

  4. 이 set을 이제 words.csv라는 파일에 저장해보자. 데이터 header는 word,freq로 하면 된다.

    import csv
    with open('words.csv', 'w', encoding='utf-8') as f:
        writer = csv.writer(f)
  5. 다음으로 아래의 코드를 복사하여 words.csv가 있는 폴더 내에 index.html라는 이름으로 저장하자.

  6. 위와 같은 폴더에서 아래를 실행하자.

    python -m http.server 8888      # for Python2, `python -m SimpleHTTPServer`
  7. 마지막으로, 모던 브라우저(ex: 크롬)의 주소창에 http://localhost:8888를 입력하면 우리의 워드클라우드가 떠있을 것이다! (이미지를 클릭하면 interative 페이지로 이동합니다.)

  8. 더 실험해보고 싶은 경우:

    1. 위의 워드클라우드는 각종 특수문자, 조사 등도 포함되어 정보 전달력이 떨어진다. 워드클라우드에 명사만 표현되게 할 수 있을까?
    2. 다른 임의의 문서로도 워드클라우드를 그릴 수 있나? (ex: 내 데이터마이닝 프로젝트 제안서) 해당 문서를 파이썬으로 읽고, 문서에서 높은 빈도로 등장한 단어를 추출 후, 워드클라우드로 그려보자.
    3. 여러 개의 문서에 대한 워드클라우드를 그릴 수도 있나? 파이썬으로 여러 개의 문서를 한꺼번에 읽어들인 후, 높은 빈도로 등장한 단어를 추출해서 워드클라우드로 그려보자.