Comparar NLTK con spaCy NER
Con el mismo texto que utilizaste en el primer ejercicio de este capítulo, ahora verás los resultados utilizando el anotador NER de spaCy. ¿Cómo se compararán?
El artículo se ha cargado previamente como article. Para minimizar los tiempos de ejecución, se te pedirá que especifiques el argumento de palabra clave disable=['tagger', 'parser', 'matcher'] al cargar el modelo spaCy, porque en este ejercicio sólo te interesa el entity.
Este ejercicio forma parte del curso
Introducción al procesamiento de lenguaje natural en Python
Instrucciones de ejercicio
- Importa
spacy. - Carga el modelo
'en_core_web_sm'utilizandospacy.load(). Especifica los argumentos adicionales de la palabra clavedisable=['tagger', 'parser', 'matcher']. - Crea un objeto documento
spacypasandoarticleanlp(). - Utilizando
entcomo variable iteradora, itera sobre las entidades dedoce imprime las etiquetas (ent.label_) y el texto (ent.text).
Ejercicio interactivo práctico
Pruebe este ejercicio completando este 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(____, ____)