NLP Academy · Lekcja

Wyodrębnianie encji za pomocą spaCy

Wyświetl encje i ich etykiety

Wyodrębnianie encji za pomocą spaCy to bezpłatna lekcja NLP Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej NLP Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs NLP Academy zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

spaCy Does the Work

spaCy ships a trained NER component that finds entities for you. You feed it text and read back labeled spans. 🐍

Load a Model

First load a pipeline that includes NER. The small English model en_core_web_sm is a quick, friendly starting point.

import spacy
nlp = spacy.load("en_core_web_sm")

Process Your Text

Pass a string into the pipeline to get a Doc object. The Doc holds tokens, sentences, and the entities spaCy found.

doc = nlp("Sundar Pichai leads Google in California.")

The ents Property

Every Doc exposes doc.ents, a tuple of detected entities. Loop over it to inspect each one individually.

for ent in doc.ents:
    print(ent)

Read the Text

Each entity has a .text attribute holding the exact words matched. This is the raw span lifted from your sentence.

print(ent.text)  # e.g. Sundar Pichai

Read the Label

Use .label_ (with the trailing underscore) to get a readable label string like PERSON, ORG, or GPE.

print(ent.label_)  # e.g. PERSON

Putting It Together

One small loop prints both the text and label of every entity, turning a sentence into clean structured data.

for ent in doc.ents:
    print(ent.text, ent.label_)

Character Positions

Entities also expose start_char and end_char, the offsets in the original string. Handy for highlighting matches later.

print(ent.start_char, ent.end_char)

Explain a Label

Forgot what GPE means? Call spacy.explain for a plain-English description of any entity label.

spacy.explain("GPE")  # 'Countries, cities, states'

Entities Are Spans

Each entity is a Span, a slice of the Doc. So it behaves like a mini-document you can further inspect token by token.

Collect Into a List

A quick comprehension gathers every entity into a list of tuples, ready to save, count, or feed into a report.

results = [(e.text, e.label_) for e in doc.ents]

Quick Check

Which attribute gives the readable entity label?

Recap

Load a model, run nlp() on text, then loop doc.ents reading .text and .label_. That is core NER in spaCy. ✅

Często zadawane pytania

Czy lekcja „Wyodrębnianie encji za pomocą spaCy” jest bezpłatna?

Tak — pełny tekst „Wyodrębnianie encji za pomocą spaCy” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu NLP Academy, przejdź na CoddyKit PRO. Kurs NLP Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Wyodrębnianie encji za pomocą spaCy”?

Wyświetl encje i ich etykiety Ćwiczysz NLP Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć NLP Academy?

Nie wymagamy żadnego doświadczenia. NLP Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Wyodrębnianie encji za pomocą spaCy”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji NLP Academy?

Tak. Każda lekcja NLP Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do NLP Academy