Comparar NLTK con el NER de spaCy
Usando el mismo texto que en el primer ejercicio de este capítulo, ahora verás los resultados con el anotador de NER de spaCy. ¿Cómo se comparan?
El artículo ya está precargado como article. Para minimizar el tiempo de ejecución, se te pedirá que indiques el argumento con nombre disable=['tagger', 'parser', 'matcher'] al cargar el modelo de spaCy, porque en este ejercicio solo te interesan las entity.
Este ejercicio forma parte del curso
Introducción al Natural Language Processing en Python
Instrucciones del ejercicio
- Importa
spacy. - Carga el modelo
'en_core_web_sm'usandospacy.load(). Especifica además los argumentos con nombredisable=['tagger', 'parser', 'matcher']. - Crea un objeto documento de
spacypasandoarticleanlp(). - Usando
entcomo variable del iterador, recorre las entidades dedoce imprime las etiquetas (ent.label_) y el texto (ent.text).
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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(____, ____)