Python是理解机器学习和深度学习的概念和应用的一个不可或缺的工具。它提供了许多库和模块，为建立有用的技术提供了一个宏伟的平台。在这篇文章中，我们将讨论这样一个被称为 “spaCy “的库。

spaCy 是一个开源的库，用于分析和比较文本数据。我们将详细讨论这个库，但在我们深入讨论这个主题之前，让我们快速浏览一下本文的概述并了解行程。

本文分为两个部分 –

第二部分将重点讨论spaCy的应用以及PoS标记和词组化标记的使用。

spaCy是一个用于深度学习的开源库。它是由自然语言处理（NLP）管理的。NLP本身是人工智能的一个概念领域。它通过为机器提供人类语言的意义，为人机互动铺平道路。在spaCy的帮助下，我们大规模地处理数据并为机器推导出意义。

spaCy是用Cython编写的，它提供交互式API。

spaCy是在 “pip “的帮助下安装的。

一旦spaCy安装完毕，我们就可以在我们的IDE上导入它。我们还将通过传递正确的命名规则来加载管道包。对于PoS标签和词法，我们将使用 –

这个命名惯例决定了我们想要什么样的管道包。” en “决定语言， “core “决定能力， “web “决定流派， “sm “决定大小。

因此，这个约定加载的是英语语言的包，它的能力是PoS标签和词法化，它是在书面网络文本上训练的。

PoS（PART OF SPEECH）标签是一种对文本数据中的单词进行分类的技术。我们可以分析每个词，了解它的上下文和横向含义。我们可以从语法上检查讲话，并描述其结构。

它还包括不知道的词和修改词汇。对通过的数据集本身进行深入分析。我们可以检查讲话的哪个部分是动词、名词、代词、介词等。

词组化是将不同版本的术语或单词组合在一起的技术，这些术语或单词是同一个词。它是NLP的一个不可或缺的工具，用于对语音中发现的转折词进行分类。

我们可以对语音进行形态分析，并针对带有转折词尾的单词进行分析，这样我们就可以删除它们。词法化的整个逻辑是为一个转折词收集基础词。

我们将构建一个程序，用spaCy来分离语音的不同部分。Firstly we will use PoS tagging and see how it functions −

在这里。

我们创建了一个名为 “load_capabilites “的变量，将启动 “NLP”。我们加载了一个特定的包，即 “en_core_web_sm”。

我们传递了用于分析的文本数据。

我们创建了一个名为 “Anadata “的变量。

这个Anadata将存储文本数据中的所有单词，以便在spacy中进行分析。

我们将对一个词进行迭代，然后在 “word.pos_”的帮助下，我们将对所有的词进行PoS标记。

在这里，每个标签都意味着什么，例如， ” PROPN “表示专有名词， ” PUNC “表示标点符号。 “ADJ “表示形容词。

我们甚至可以挑选单个标签并分别打印它们。

现在我们已经理解了PoS标签的工作原理，让我们来理解词法的运作。

在这里，我们使用 “lemma_”来执行词法化。所有的转折词都以它们的基本形式打印出来，现在我们可以在外部词典上添加这些词，以增强本地词汇。

在这篇文章中，我们涵盖了PoS标签和词素化的基本概念，并理解了它在深度学习中的意义。我们还讨论了通过spaCy库的各种应用以及它在NLP中的作用。