模式

Pattern 是一个用于 Python 的网络挖掘模块。它包含以下工具：

• 数据挖掘：网络服务（Google、Twitter、维基百科）、网页爬虫、HTML DOM 解析器
• 自然语言处理：词性标注器、n-gram 搜索、情感分析、WordNet
• 机器学习：向量空间模型、聚类、分类（KNN、SVM、感知机）
• 网络分析：图中心性及可视化。

该模块文档齐全，经过了 350 多个单元测试的全面测试，并附带 50 多个示例。源代码采用 BSD 许可证授权。

示例

此示例使用 Python 3 对从 Twitter 中挖掘出的形容词训练分类器。首先收集包含标签 #win 或 #fail 的推文。例如：“今天给一位可爱的老太太小费 $20 #win”。然后解析每个单词的词性标签，仅保留形容词。每条推文被转换为一个向量，即形容词 → 数量的字典，并标记为 WIN 或 FAIL。分类器利用这些向量来学习哪些推文更像 WIN，哪些更像 FAIL。

from pattern.web import Twitter
from pattern.en import tag
from pattern.vector import KNN, count

twitter, knn = Twitter(), KNN()

for i in range(1, 3):
    for tweet in twitter.search('#win OR #fail', start=i, count=100):
        s = tweet.text.lower()
        p = '#win' in s and 'WIN' or 'FAIL'
        v = tag(s)
        v = [word for word, pos in v if pos == 'JJ'] # JJ = 形容词
        v = count(v) # {'sweet': 1}
        if v:
            knn.train(v, type=p)

print(knn.classify('sweet potato burger'))
print(knn.classify('stupid autocorrect'))

安装

Pattern 支持 Python 2.7 和 Python 3.6。要将 Pattern 安装到所有脚本中可用，请解压下载文件，并在命令行中执行：

cd pattern-3.6
python setup.py install

如果您有 pip，也可以从 PyPI 仓库 自动下载并安装：

pip install pattern

如果以上方法均无效，您可以通过三种方式让 Python 识别该模块：

• 将 pattern 文件夹与您的脚本放在同一目录下。
• 将 pattern 文件夹放置在标准模块位置，以便所有脚本都能访问：
  • c:\python36\Lib\site-packages\ (Windows),
  • /Library/Python/3.6/site-packages/ (Mac OS X),
  • /usr/lib/python3.6/site-packages/ (Unix)。
• 在导入模块之前，将模块路径添加到脚本中的 sys.path：

MODULE = '/users/tom/desktop/pattern'
import sys; if MODULE not in sys.path: sys.path.append(MODULE)
from pattern.en import parsetree

文档

有关文档和示例，请参阅 用户文档。

版本

3.6

许可证

BSD，详情请参阅 LICENSE.txt。

参考文献

De Smedt, T., Daelemans, W. (2012). Pattern for Python. Journal of Machine Learning Research, 13, 2031–2035.

贡献

源代码托管在 GitHub 上，欢迎贡献或捐赠。

捆绑依赖项

Pattern 捆绑了以下数据集、算法和 Python 包：

• Brill 标注器, Eric Brill
• 荷兰语 Brill 标注器, Jeroen Geertzen
• 德语 Brill 标注器, Gerold Schneider & Martin Volk
• 西班牙语 Brill 标注器, 基于 Wikicorpus 训练 (Samuel Reese & Gemma Boleda 等)
• 法语 Brill 标注器, 基于 Lefff 训练 (Benoît Sagot & Lionel Clément 等)
• 意大利语 Brill 标注器, 从 Wiktionary 中提取
• 英语复数形式生成, Damian Conway
• 西班牙语动词变位, Fred Jehle
• 法语动词变位, Bob Salita
• Graph JavaScript 框架, Aslak Hellesoy & Dave Hoover
• LIBSVM, Chih-Chung Chang & Chih-Jen Lin
• LIBLINEAR, Rong-En Fan 等
• NetworkX 中心性计算, Aric Hagberg, Dan Schult & Pieter Swart
• 拼写纠正器, Peter Norvig

致谢

作者：

• Tom De Smedt (tom@organisms.be)
• Walter Daelemans (walter.daelemans@ua.ac.be)

贡献者（按时间顺序）：

• Frederik De Bleser
• Jason Wiener
• Daniel Friesen
• Jeroen Geertzen
• Thomas Crombez
• Ken Williams
• Peteris Erins
• Rajesh Nair
• F. De Smedt
• Radim Řehůřek
• Tom Loredo
• John DeBovis
• Thomas Sileo
• Gerold Schneider
• Martin Volk
• Samuel Joseph
• Shubhanshu Mishra
• Robert Elwell
• Fred Jehle
• Antoine Mazières + fabelier.org
• Rémi de Zoeten + closealert.nl
• Kenneth Koch
• Jens Grivolla
• Fabio Marfia
• Steven Loria
• Colin Molter + tevizz.com
• Peter Bull
• Maurizio Sambati
• Dan Fu
• Salvatore Di Dio
• Vincent Van Asch
• Frederik Elwert

Pattern 快速上手指南

Pattern 是一个功能强大的 Python 网络挖掘模块，集成了数据挖掘、自然语言处理（NLP）、机器学习和网络分析工具。它支持英语、德语、法语、西班牙语等多种语言的词性标注、情感分析和文本分类。

环境准备

• 操作系统：Windows, macOS, Linux
• Python 版本：支持 Python 2.7 和 Python 3.6+
• 前置依赖：无特殊系统级依赖，标准 Python 环境即可。

安装步骤

推荐使用 pip 进行安装。国内开发者建议使用清华或阿里镜像源以加速下载。

方法一：使用 pip 安装（推荐）

# 使用默认源
pip install pattern

# 或使用国内镜像源（推荐）
pip install pattern -i https://pypi.tuna.tsinghua.edu.cn/simple

方法二：源码安装

如果需要通过源码安装，请解压后执行：

cd pattern-3.6
python setup.py install

基本使用

以下示例演示了如何使用 Pattern 进行简单的文本处理：抓取推特数据（模拟）、提取形容词并进行情感分类训练。

from pattern.web import Twitter
from pattern.en import tag
from pattern.vector import KNN, count

# 初始化 Twitter 接口和 KNN 分类器
twitter, knn = Twitter(), KNN()

# 模拟收集包含 #win 或 #fail 的推文并训练模型
# 注意：实际运行需确保网络通畅及 API 可用性，此处为逻辑演示
for i in range(1, 3):
    # 搜索推文
    for tweet in twitter.search('#win OR #fail', start=i, count=100):
        s = tweet.text.lower()
        # 根据标签确定分类类型
        p = '#win' in s and 'WIN' or 'FAIL'
        
        # 词性标注
        v = tag(s)
        # 仅保留形容词 (JJ = adjective)
        v = [word for word, pos in v if pos == 'JJ']
        
        # 转换为词频向量
        v = count(v) 
        
        if v:
            knn.train(v, type=p)

# 使用训练好的模型进行分类预测
print(knn.classify('sweet potato burger'))
print(knn.classify('stupid autocorrect'))

代码说明：

1. tag(s): 对句子进行词性标注。
2. 列表推导式: 筛选出词性为 JJ (形容词) 的单词。
3. count(v): 将单词列表转换为词频字典（向量空间模型）。
4. knn.train(): 使用提取的特征向量训练 KNN 分类器。
5. knn.classify(): 输入新文本，模型判断其倾向于 "WIN" 还是 "FAIL"。

更多详细文档和高级用法请参考官方 Wiki：https://github.com/clips/pattern/wiki