如何用Python对单词分类为普通名词、专有名词、地点并识别动词？

嘿，我来帮你搞定这个单词分类的需求！你可以借助NLTK的词性标注工具来精准区分不同类型的单词，再结合命名实体识别处理地点分类，下面是完整的实现方案：

第一步：完整代码实现 #

先确保你已经安装了NLTK，然后运行以下代码就能自动完成分类：

import nltk
# 下载必要的NLTK资源（首次运行需要）
nltk.download('averaged_perceptron_tagger')
nltk.download('maxent_ne_chunker')
nltk.download('words')

# 你的目标单词列表
word_list = ["abatable", "abate", "abated", "abatement", "abatements", "abbots", "abbreviate", "abbreviated", "abbreviates"]

# 初始化各分类容器
common_nouns = []
proper_nouns = []
locations = []
verbs = []

# 对单词进行词性标注
tagged_words = nltk.pos_tag(word_list)

# 根据词性标签分类
for word, tag in tagged_words:
    # 动词涵盖所有动词词性标签（原形、过去式、分词、三单形式等）
    if tag.startswith('VB'):
        verbs.append(word)
    # 普通名词包含单数和复数形式
    elif tag in ['NN', 'NNS']:
        common_nouns.append(word)
    # 专有名词包含单数和复数形式
    elif tag in ['NNP', 'NNPS']:
        proper_nouns.append(word)

# 识别地点类单词（借助命名实体识别）
for word in word_list:
    chunks = nltk.ne_chunk(nltk.pos_tag([word]))
    for chunk in chunks:
        if hasattr(chunk, 'label') and chunk.label() == 'GPE':
            locations.append(word)

# 输出分类结果（也可以直接生成表格）
print("普通名词:", common_nouns)
print("专有名词:", proper_nouns)
print("地点:", locations)
print("动词:", verbs)

第二步：生成分类表格 #

根据你的单词列表，最终分类结果整理成表格如下：

补充说明 #

• abatable是形容词，不属于你指定的四类分类，因此不会出现在任何一列中。
• 你的单词列表里没有符合专有名词和地点类的词汇，所以这两列显示“无”。

内容的提问来源于stack exchange，提问作者Cyley Simon