NLTK vergelijken met spaCy NER

Met dezelfde tekst als in de eerste oefening van dit hoofdstuk bekijk je nu de resultaten met de NER-annotator van spaCy. Hoe verhouden die zich?

Het artikel is al ingeladen als article. Om de uitvoeringstijd te beperken, geef je het keywordargument disable=['tagger', 'parser', 'matcher'] op bij het laden van het spaCy-model, omdat je je in deze oefening alleen bezighoudt met de entity.

Deze oefening maakt deel uit van de cursus

Introductie tot Natural Language Processing in Python

Bekijk cursus

Oefeninstructies

Importeer spacy.
Laad het model 'en_core_web_sm' met spacy.load(). Geef de extra keywordargumenten disable=['tagger', 'parser', 'matcher'] op.
Maak een spacy documentobject door article door te geven aan nlp().
Gebruik ent als je iteratorvariabele, iterer over de entiteiten van doc en print de labels (ent.label_) en de tekst (ent.text).

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 bewerken en uitvoeren