從字符串列表中，創建新列表，其中每個項目指示原始列表中的相應項目是否在兩個特定條目之間

Question

說我有這個清單

jay = ['Despite', 'similar', 'intensity', 'of', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', ',', 'ALC', '/', 'COC', 'subjects', 'received', 'less', 'oxazepam', 'to', 'treat', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', 'compared', 'to', 'ALC', 'subjects', '.']

我要創建一個與原始列表相對應的新列表。 如果某個項目介於'<Disease:XXXXX>'和'</Disease:XXXXX>' ，則第一個項目將被標記為“ B-COL”，其余項目將被標記為“ I-COL”。

項目'<Disease:XXXXX>'和'</Disease:XXXXX>'本身沒有任何標簽。 XXXX的范圍可以是數字。

所有其他項目都標記為“ O”。

所以這是我想要的示例輸出。

idealOutput= ['O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O']

“疾病”標簽對的數量可以變化，這些標簽之間的項目數量也可以變化。

這是我的嘗試：

wow = jay
labs = []
for i in range(0, len(wow)):
    if wow[i].startswith("<Disease"):
        labs.append('DelStrB')
    elif i>0 and i<=len(labs):
        if labs[i-1] == 'DelStrB':
            labs.append('B-COL')
            i = i + 1
            while not (wow[i].startswith("</Disease")):
                labs.append('I-COL')
                i = i + 1
            if wow[i].startswith("</Disease"):
                labs.append('DelStrE')
                i = i + 1
        elif wow[i].startswith("</Disease"):
            k=9 #do nothing
        else:
            labs.append('O')
    elif wow[i].startswith("</Disease"):
        k=9 #do nothing
    else:
        labs.append('O')

labs[:] = [x for x in labs if x != 'DelStrB']
labs[:] = [x for x in labs if x != 'DelStrE']

print(labs)

結果是

['O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'B-COL', 'O', 'O', 'O', 'O', 'O']

這是不正確的。 我也知道，有一種計算效率更高，更優雅的編碼方式，但是無法產生。

Answer 1

您可以使用一個簡單的生成器：

import re
jay = ['Despite', 'similar', 'intensity', 'of', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', ',', 'ALC', '/', 'COC', 'subjects', 'received', 'less', 'oxazepam', 'to', 'treat', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', 'compared', 'to', 'ALC', 'subjects', '.']
def results(d):
  _flag = -1
  for i in d:
    if re.findall('\<Disease:\w+\>', i):
      _flag = 1
    elif re.findall('\</Disease:\w+\>', i):
      _flag = -1
    else:
      if _flag == -1:
        yield 'O'
      elif _flag == 1:
        yield 'B-COL'
        _flag = 0
      else:
        yield 'I-COL'

print(list(results(jay)))

輸出：

['O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O']

Answer 2

使用迭代方法的解決方案：

jay = ['Despite', 'similar', 'intensity', 'of', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', ',', 'ALC', '/', 'COC', 'subjects', 'received', 'less', 'oxazepam', 'to', 'treat', 'alcohol', '<Disease:D013375>', 'withdrawal', 'symptoms', '</Disease:D013375>', 'compared', 'to', 'ALC', 'subjects', '.']

result = []

inside = False
seen_BCOL = False

for i in range(len(jay)):
    if jay[i].startswith('<Disease'):
        inside = True
    elif jay[i].startswith('</Disease'):
        inside = False
        seen_BCOL = False
    elif inside == True:
        if seen_BCOL == False:
            result.append('B-COL')
            seen_BCOL = True
        else:
            result.append('I-COL')
    elif inside == False:
        result.append('O')


print(result)

['0', '0', '0', '0', '0', '0', 'B-COL', 'I-COL', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', '0', 'B-COL', 'I-COL', '0', '0', '0', '0', '0', '0']

Answer 3

您可以將itertools.groupby與用於查找“疾病”項的按鍵功能一起使用，以將列表分為奇數和偶數組，以實現不同的標記方法：

import re
from itertools import groupby
[t for i, l in enumerate(list(g) for k, g in groupby(jay, key=lambda s: re.match(r'</?Disease:\w+>', s)) if not k) for t in (('B-COL',) + ('I-COL',) * (len(l) - 1) if i % 2 else ('O',) * len(l))]

返回：

['O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'B-COL', 'I-COL', 'O', 'O', 'O', 'O', 'O']

請注意，您的預期輸出不正確，因為在'B-COL'和'I-COL'的兩個序列之間還有兩個'O' 。