案例一、textblob分局分词效果

textblob提供了sentences和words方法进行分词和分句效果。

import nltk
nltk.download('punkt_tab')
#分句分词
from textblob import TextBlob

testresult=TextBlob("Now I will introduce myself briefly.My name is zhangchenguang. I was born in xi'an city.\
                    Henan province. I am now a computer teacher in Zhegnzhou. and Test..adsfa")

print(testresult.sentences)
print(testresult.words)

案例二、对词性进行标注

import nltk
nltk.download('averaged_perceptron_tagger_eng')
#词性标注，给每个词语标注词类标签（形容词、动词、名词等）textblob提供tags方法进行词性标注。
text="python si a high-level,general-purpose programming language"
from textblob import TextBlob
blog=TextBlob(text)
blog.tags

案例三、情感分析
#textbolob提供了sentiment方法进行情感分析，返回元祖，Sentiment(polarity,subjectivity)
#其中：polarity得分为[-1,0,1.0]靠近-1.0表示消极，靠近1.0表示积极,subjectivity得分为[0.0,1.0]靠近
#0.0表示客观，靠近1.0表示主观。

text='I feel sad today'
from textblob import TextBlob
blob=TextBlob(text)
blob.sentences[0].sentiment

运行结果如下所示：

案例四、单复数

sentence=TextBlob('Use 4 spaces per indentation level.')
print(sentence.words[2].singularize())
print(sentence.words[-1].pluralize())

程序运行效果如下所示：

案例五、过去式

import nltk
nltk.download('wordnet')
from textblob import Word
w=Word('octopi')
print(w.lemmatize())
#对单词 'went' 进行词形还原，并指定词性为 动词（'v'）
w=Word('went')
print(w.lemmatize('v'))

案例六、拼写校正

textblob提供了correct()方法进行拼写校正。

#拼写校正
from textblob import TextBlob
b=TextBlob("I have good speling!")
print(b.correct())

程序运行结果如下：

I have good spelling!

案例七、词频统计

textblob提供word_counts()方法进行单词词频的统计。

#词频统计
from textblob import TextBlob
text=TextBlob("I am a boy,I am a student")
count1=text.word_counts['am']
count2=text.word_counts['boy']
print(count1)
print(count2)

总结

TextBlob是基于NLTK的轻量级NLP库，主要功能包括：

1. 分词分句：words/sentences属性（基于nltk.tokenize）。

2. 词性标注：tags属性（Penn Treebank标签集）。

3. 情感分析：sentiment返回极性（-1~1）和主观性（0~1）。

4. 过去式处理：Word("went").lemmatize("v")返回原形（如"go"）。

5. 拼写校正：correct()基于概率模型修正拼写（如"speling"→"spelling"）。

6. 词频统计：需手动结合collections.Counter实现。

特点：简单易用，适合快速文本处理，但精度和泛化能力有限，依赖规则和统计方法，对复杂任务（如语法纠错）支持较弱。