LoslegenKostenlos starten

NLTK mit spaCy-NER vergleichen

Mit demselben Text wie in der ersten Übung dieses Kapitels wirst du gleich die Ergebnisse mit spaCys NER-Annotator sehen. Wie schneiden beide im Vergleich ab?

Der Artikel wurde als article vorab geladen. Um die Laufzeit zu minimieren, sollst du beim Laden des spaCy-Modells das Schlüsselwortargument disable=['tagger', 'parser', 'matcher'] angeben, weil dich in dieser Übung nur entity interessiert.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in Natural Language Processing mit Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere spacy.
  • Lade das Modell 'en_core_web_sm' mit spacy.load(). Gib zusätzlich die Schlüsselwortargumente disable=['tagger', 'parser', 'matcher'] an.
  • Erstelle ein spacy-Dokumentobjekt, indem du article an nlp() übergibst.
  • Verwende ent als Iterationsvariable, iteriere über die Entitäten von doc und gib die Labels (ent.label_) und den Text (ent.text) aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import spacy
____

# Instantiate the English model: nlp
nlp = ____

# Create a new document: doc
doc = ____

# Print all of the found entities and their labels
for ____ in ____:
    print(____, ____)
Code bearbeiten und ausführen