使用 spaCy 進行 NER
具名實體辨識（Named Entity Recognition，NER）可幫助你輕鬆識別文件中的關鍵元素，例如人名與地名。它能整理非結構化資料並偵測重要資訊，這在你處理大型資料集時尤其重要。在本練習中，你會實作具名實體辨識。
en_core_web_sm 已替你載入為 nlp。來自 Airline Travel Information System（ATIS）資料集的 3 則留言已放在名為 texts 的列表中供你使用。
本練習屬於課程
使用 spaCy 的自然語言處理
練習說明
- 使用串列生成式建立
documents，其中包含texts中每一段文字所對應的Doc容器。 - 對於每個
doc容器，透過迭代doc.ents，列印每個實體的文字與對應標籤。 - 列印第 6 個權杖的文字，以及第二個
Doc容器的實體型別。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Compile a list of all Doc containers of texts
documents = [____ for text in texts]
# Print the entity text and label for the entities in each document
for doc in documents:
print([(____, ____) for ent in ____])
# Print the 6th token's text and entity type of the second document
print("\nText:", documents[1][5].____, "| Entity type: ", documents[1][5].____)