textacy

收录理由

textacy 构建在 spaCy 之上，专门处理 spaCy 本身不负责的那些环节。在解析之前，它提供了清洗和规范化原始文本的工具；在解析之后，你可以直接提取 n-gram、实体、缩写、关键词以及主谓宾三元组，无需自己编写抽取代码。此外，它还涵盖了分词与向量化辅助功能、主题建模、字符串相似度比较，以及可读性统计（如 Flesch-Kincaid 年级水平和类符形符比）。对于数据科学家和 NLP 工程师来说，无论是编写分析脚本还是搭建研究原型，只要让 spaCy 负责解析、textacy 处理其余部分，这个库都是相当可靠的选择。它内置的多个数据集（包括国会演讲、历史文献和 Reddit 评论）也让你能快速试验想法，省去自己寻找语料的麻烦。