Python的自然语言工具箱（NLTK）是一个非常强大的库，用于进行自然语言处理（NLP）任务。对于词干提取，NLTK提供了`nltk.stem`模块。以下是如何使用NLTK进行词干提取的步骤：

首先，你需要安装NLTK库。如果你还没有安装，可以通过pip进行安装：

```bash

pip install nltk

```

然后，你可以使用NLTK的`nltk.stem`模块中的`WordNetLemmatizer`或`PorterStemmer`等工具进行词干提取。这里以`PorterStemmer`为例：

```python

import nltk

from nltk.stem import PorterStemmer

# 初始化PorterStemmer

stemmer = PorterStemmer()

# 测试用例

words = ["running", "runningly", "runningness"]

# 对每个单词进行词干提取

for word in words:

stemmed_word = stemmer.stem(word)

print(f'原单词: {word}, 词干提取后: {stemmed_word}')

```

如果你使用的是WordNetLemmatizer，你还需要在初始阶段加载WordNet的模型：

```python

from nltk.stem import WordNetLemmatizer

from nltk.corpus import wordnet as wn

# 初始化WordNetLemmatizer并加载WordNet模型

lemmatizer = WordNetLemmatizer()

wn.download('wordnet-3.0-2018-02-19') # 下载WordNet模型（如果你还没有下载的话）

# 测试用例

words = ["running", "runningly", "runningness"]

# 对每个单词进行词干提取（注意这里我们只对名词和动词进行了词干提取）

for word in words:

# WordNetLemmatizer针对名词、动词、形容词等有不同类型的词形归并处理。这需要根据词的类型选择对应的Pos属性（例如 'v'表示动词）。此处我假定“running”为动词或名词。根据需要你可以进行调整。

for pos in ['v', 'n']: # pos可以表示动词或名词等词性，具体取决于你的需求。'v'代表动词，'n'代表名词等。

lemma = lemmatizer.lemmatize(word, pos) # 进行词干提取或词形归并处理

print(f'原单词: {word}, 词干提取后: {lemma}') # 输出结果，包括词干提取后的单词和原始单词。你可以根据需要选择你需要的输出结果。

```

请注意，以上代码中提到的`WordNetLemmatizer`和`PorterStemmer`都有其自身的优点和缺点，你需要根据你的具体需求选择使用哪一个。此外，`WordNetLemmatizer`对词性的处理非常重要，你需要根据你的需求来选择合适的词性进行处理。如果你不确定某个单词的词性，你可能需要进一步处理或查询其他资源来获取准确的词性信息。