[英]Creating a parallel corpus from list of words and list of sentences (Python)
[英]Creating tokens from list of sentences is returning characters instead of words
from nltk.tokenize import sent_tokenize
text = open(path).read().lower().decode("utf8")
sent_tokenize_list = sent_tokenize(text)
tokens = [w for w in itertools.chain(*[sent for sent in sent_tokenize_list])]
最后一行“令牌”返回字符而不是单词。
为什么会这样,如何获取返回的单词呢? 尤其要考虑根据句子列表进行操作。
因为sent_tokenize
返回一个字符串语句列表,并且itertools.chain
将可迭代对象链接到单个可迭代的返回项,每次从一个返回一次,直到用尽为止。 实际上,您已经将句子重新组合为一个字符串,并在列表推导中对其进行了迭代。
要从句子列表中创建一个单词列表,您可以例如拆分和拼合:
tokens = [word for sent in sent_tokenize_list for word in sent.split()]
这不会处理标点符号,但是您的原始尝试也不会。 您的原件也可以与split一起使用:
tokens = [w for w in itertools.chain(*(sent.split()
for sent in sent_tokenize_list))]
请注意,您可以使用生成器表达式而不是列表推导作为解压缩的参数。 更好的是,使用chain.from_iterable
:
tokens = [w for w in itertools.chain.from_iterable(
sent.split() for sent in sent_tokenize_list)]
对于标点符号处理,请使用nltk.tokenize.word_tokenize
而不是str.split
。 它会将单词和标点符号作为单独的项返回,并例如将I's
拆分为I
和's
(这当然是一件好事,因为它们实际上是单独的单词,只是收缩了)。
也许您应该使用word_tokenize
而不是sent_tokenize
?
from nltk.tokenize import word_tokenize
text = open(path).read().lower().decode("utf8")
tokens = word_tokenize(text)
http://www.nltk.org/api/nltk.tokenize.html#nltk.tokenize.word_tokenize
首先,如果文件位于'utf8'中,并且您使用的是Python2,则最好在io.open()
使用encoding='utf8'
参数:
import io
from nltk import word_tokenize, sent_tokenize
with io.open('file.txt', 'r', encoding='utf8') as fin:
document = []
for line in fin:
tokens += [word_tokenize(sent) for sent in sent_tokenize(line)]
如果是Python3,只需执行以下操作:
from nltk import word_tokenize
with open('file.txt', 'r') as fin:
document = []
for line in fin:
tokens += [word_tokenize(sent) for sent in sent_tokenize(line)]
看看http://nedbatchelder.com/text/unipain.html
至于标记化,如果我们假设每一行都包含某种可能由一个或多个句子组成的段落,我们希望首先初始化一个列表来存储整个文档:
document = []
然后我们遍历各行,并将行拆分为句子:
for line in fin:
sentences = sent_tokenize(line)
然后,我们将句子拆分为标记:
token = [word_tokenize(sent) for sent in sent_tokenize(line)]
由于我们要更新文档列表以存储标记化句子,因此我们使用:
document = []
for line in fin:
tokens += [word_tokenize(sent) for sent in sent_tokenize(line)]
不建议!!! (但仍然可以在一行中):
alvas@ubi:~$ cat file.txt
this is a paragph. with many sentences.
yes, hahaah.. wahahha...
alvas@ubi:~$ python
Python 2.7.11+ (default, Apr 17 2016, 14:00:29)
[GCC 5.3.1 20160413] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import io
>>> from itertools import chain
>>> from nltk import sent_tokenize, word_tokenize
>>> list(chain(*[[word_tokenize(sent) for sent in sent_tokenize(line)] for line in io.open('file.txt', 'r', encoding='utf8')]))
[[u'this', u'is', u'a', u'paragph', u'.'], [u'with', u'many', u'sentences', u'.'], [u'yes', u',', u'hahaah..', u'wahahha', u'...']]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.