以下是一个例子，展示了如何使用Python的nltk库进行文本数据的预处理和标记化：

import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from nltk.probability import FreqDist
from nltk.corpus import wordnet

# 定义一段文本
text = "This is a sample sentence, showing off the stop words filtration, lemmatization, and frequency distribution."

# 将文本转换为小写
text = text.lower()

# 分词
tokens = word_tokenize(text)

# 移除停用词
stopwords = set(stopwords.words('english'))
filtered_tokens = [token for token in tokens if token not in stopwords]

# 词形还原
lemmatizer = WordNetLemmatizer()
lemmatized_tokens = [lemmatizer.lemmatize(token) for token in filtered_tokens]

# 统计词频
freq_dist = FreqDist(lemmatized_tokens)

# 打印结果
print("Original Text: ", text)
print("Tokens: ", tokens)
print("Filtered Tokens: ", filtered_tokens)
print("Lemmatized Tokens: ", lemmatized_tokens)
print("Frequency Distribution: ", freq_dist.most_common())

在上面的代码中，我们首先导入了需要使用的nltk库中的各个模块。然后，我们定义了一个示例文本。接下来，我们将文本转换为小写，并使用word_tokenize函数将其分词为一个个单词。然后，我们使用stopwords库中的英文停用词集合来过滤掉停用词。接着，我们使用WordNetLemmatizer类来对词形进行还原。最后，我们使用FreqDist类来计算词频分布。最后，我们输出了原始文本、分词后的单词列表、过滤后的单词列表、词形还原后的单词列表以及词频分布结果。

请注意，这只是一个简单的示例，你可以根据自己的需求进行更复杂的文本预处理操作。