#!/usr/bin/env python
# coding: utf-8

# # **Append**
# 통계적 문법접근방법 빠르고 간단하게 살펴보기

# <br></br>
# ## **1 Parsing Tree**
# 문법태그를 활용한 문법구조 생성하기

# In[1]:


# %%time
# text = '여배우 박민영은 높은 싱크로를 보여줬다'

# from konlpy.tag import Twitter
# twitter = Twitter()
# words = twitter.pos(text, stem=True)
# print(words)


# In[2]:


# from nltk import RegexpParser

# grammar = """
# NP: {<N.*>*<Suffix>?}   # 명사구를 정의한다
# VP: {<V.*>*}            # 동사구를 정의한다
# AP: {<A.*>*}            # 형용사구를 정의한다 """
# parser = RegexpParser(grammar)
# parser


# In[3]:


# chunks = parser.parse(words)
# chunks


# In[4]:


# text_tree = [list(txt)    for txt in chunks.subtrees()]
# from pprint import pprint
# pprint(text_tree[1:])


# <br></br>
# ## **2. CFG 분석방법 맛보기**
# 정해진 유형에 따른 문법적 구조예제 활용하기

# In[5]:


from nltk.grammar import toy_pcfg2
grammar = toy_pcfg2
print(grammar)


# In[6]:


# # Early Chart 분석방법 맛보기
# import nltk
# nltk.parse.featurechart.demo( print_times   = False, 
#                               print_grammar = True, 
#                               parser = nltk.parse.featurechart.FeatureChartParser, 
#                               sent   = 'I saw a dog' )


# <br></br>
# ## **3 Word Net을 활용한 명사/동사/형용사 의미분석**
# **SynSet** 내용 살펴보기 ( Word Net 에 포함된 같은단어 Node 모음)

# In[7]:


from nltk.corpus import wordnet as wn
wn.synsets('dog')


# In[8]:


wn.synset('frump.n.01').examples()


# In[9]:


wn.synset('frump.n.01').definition()


# <br></br>
# ## **3 SynSet 활용하기**
# Wordnet을 활용하여 단의 의미 구분하기

# In[10]:


# NLTK 기본 모듈에 포함된 wordnet DB를 활용
get_ipython().system(' pip3 install pywsd')


# In[11]:


sent = 'He act like a real dog'
ambiguous = 'dog'

from pywsd.lesk import simple_lesk
answer = simple_lesk(sent, ambiguous)
answer


# In[12]:


answer.definition()


# In[13]:


sent = 'He looks like dirty dog'
ambiguous = 'dog'
answer = simple_lesk(sent, ambiguous)
answer


# In[14]:


answer.definition()


# <br></br>
# ## **4 NLTK 객체 활용**
# nltk 객체를 활용하여 작업을 효율적으로 활용한다

# ### **01 nltk 객체 정의하기**
# Token List 객체를 생성한 뒤, 이를 활용하여 nltk 객체를 만든다

# In[15]:


# # 삼성전자 지속가능경영 보고서
# skipword = ['갤러시', '가치창출']

# from txtutil import txtnoun
# from nltk.tokenize import word_tokenize
# texts  = txtnoun("../data/kr-Report_2018.txt", skip=skipword)
# tokens = word_tokenize(texts)
# tokens[:5]


# In[16]:


# # nltk Token 객체를 활용한 다양한 메소드를 제동
# import nltk
# ss_nltk = nltk.Text(tokens, name='2018지속성장')
# ss_nltk


# ### **02 nltk 객체 활용하기**
# 내부 메서드를 활용한다

# In[17]:


# # 객체의 이름을 출력
# ss_nltk.name


# In[18]:


# # Token 과 연어관계에 있는 단어목록
# ss_nltk.collocations(num=30, window_size=2)


# In[19]:


# # Token의 주변에 등장하는 단어들
# ss_nltk.common_contexts(['책임경영'])


# In[20]:


# # 인접하여 위치하는 Token 을 출력
# ss_nltk.concordance('책임경영', lines=2)


# In[21]:


# ss_nltk.concordance_list('책임경영')[1]


# In[22]:


# # Token 의 빈도값 출력
# ss_nltk.count('책임경영')


# In[23]:


# %matplotlib inline
# from matplotlib import rc
# rc('font', family=['NanumGothic','Malgun Gothic'])

# # 해당 단어별 출현빈도 비교출력
# ss_nltk.dispersion_plot(['책임경영', '경영진', '갤럭시', '갤러시', '업사이클링'])


# In[24]:


# # 객체의 빈도를 Matplot linechart 로 출력
# ss_nltk.plot(10)


# In[25]:


# # ko.readability('biline')
# ss_nltk.similar('삼성전자',num=3)


# ### **03 nltk.vocab() 객체 활용하기**
# Token 객체들 다루기

# In[26]:


# # Token의 출현빈도 상위객체 출력
# # ko.tokens(['초등학교', '저학년'])
# ss_nltk.vocab().most_common(10)


# In[27]:


# list(ss_nltk.vocab().keys())[:5]


# In[28]:


# list(ss_nltk.vocab().values())[:5]


# In[29]:


# ss_nltk.vocab().freq('삼성전자')