Compter les noms dans un texte
Dans cet exercice, vous allez écrire deux fonctions, nouns() et proper_nouns(), qui comptent respectivement le nombre de noms communs et de noms propres dans un texte.
Ces fonctions prendront un texte en entrée et généreront une liste contenant les étiquettes de parties du discours (POS) pour chaque mot. Elles renverront ensuite le nombre de noms propres/noms communs présents dans le texte. Nous utiliserons ces fonctions dans le prochain exercice pour dégager des informations intéressantes sur les fake news.
Le modèle en_core_web_sm a déjà été chargé sous le nom nlp dans cet exercice.
Cet exercice fait partie du cours
Feature Engineering pour le NLP en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
nlp = spacy.load('en_core_web_sm')
# Returns number of proper nouns
def proper_nouns(text, model=nlp):
# Create doc object
doc = model(text)
# Generate list of POS tags
pos = [token.pos_ for token in doc]
# Return number of proper nouns
return ____.____(____)
print(proper_nouns("Abdul, Bill and Cathy went to the market to buy apples.", nlp))