我刚开始使用 NLTK,我不太明白如何从文本中获取单词列表。如果我使用nltk.word_tokenize()
,我会得到一个单词和标点符号列表。我只需要单词。我怎样才能摆脱标点符号?word_tokenize
也不适用于多个句子:在最后一个单词中添加点。
11 回答
看看 nltk在此处提供的其他标记化选项。例如,您可以定义一个分词器,它挑选出字母数字字符序列作为令牌并删除其他所有内容:
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'\w+')
tokenizer.tokenize('Eighty-seven miles to go, yet. Onward!')
输出:
['Eighty', 'seven', 'miles', 'to', 'go', 'yet', 'Onward']
您实际上并不需要 NLTK 来删除标点符号。您可以使用简单的 python 将其删除。对于字符串:
import string
s = '... some string with punctuation ...'
s = s.translate(None, string.punctuation)
或者对于 unicode:
import string
translate_table = dict((ord(char), None) for char in string.punctuation)
s.translate(translate_table)
然后在你的分词器中使用这个字符串。
PS字符串模块还有一些其他可以删除的元素集(如数字)。
下面的代码将删除所有标点符号以及非字母字符。抄自他们的书。
http://www.nltk.org/book/ch01.html
import nltk
s = "I can't do this now, because I'm so tired. Please give me some time. @ sd 4 232"
words = nltk.word_tokenize(s)
words=[word.lower() for word in words if word.isalpha()]
print(words)
输出
['i', 'ca', 'do', 'this', 'now', 'because', 'i', 'so', 'tired', 'please', 'give', 'me', 'some', 'time', 'sd']
正如评论中所注意到的,以 sent_tokenize() 开头,因为 word_tokenize() 仅适用于单个句子。您可以使用 filter() 过滤掉标点符号。如果你有一个 unicode 字符串,请确保它是一个 unicode 对象(不是一个用一些编码如 'utf-8' 编码的 'str')。
from nltk.tokenize import word_tokenize, sent_tokenize
text = '''It is a blue, small, and extraordinary ball. Like no other'''
tokens = [word for sent in sent_tokenize(text) for word in word_tokenize(sent)]
print filter(lambda word: word not in ',-', tokens)
我刚刚使用了以下代码,它删除了所有标点符号:
tokens = nltk.wordpunct_tokenize(raw)
type(tokens)
text = nltk.Text(tokens)
type(text)
words = [w.lower() for w in text if w.isalpha()]
真诚的问一句,什么是词?如果您的假设是一个单词仅由字母字符组成,那么您就错了,因为如果您在 tokenisation 之前删除标点符号,诸如此类can't
的单词将被破坏成碎片(例如can
and t
),这很可能会对您的程序产生负面影响。
因此解决方案是标记化然后删除标点符号。
import string
from nltk.tokenize import word_tokenize
tokens = word_tokenize("I'm a southern salesman.")
# ['I', "'m", 'a', 'southern', 'salesman', '.']
tokens = list(filter(lambda token: token not in string.punctuation, tokens))
# ['I', "'m", 'a', 'southern', 'salesman']
...然后,如果您愿意,可以将某些标记替换'm
为am
.
我认为您需要某种正则表达式匹配(以下代码在 Python 3 中):
import string
import re
import nltk
s = "I can't do this now, because I'm so tired. Please give me some time."
l = nltk.word_tokenize(s)
ll = [x for x in l if not re.fullmatch('[' + string.punctuation + ']+', x)]
print(l)
print(ll)
输出:
['I', 'ca', "n't", 'do', 'this', 'now', ',', 'because', 'I', "'m", 'so', 'tired', '.', 'Please', 'give', 'me', 'some', 'time', '.']
['I', 'ca', "n't", 'do', 'this', 'now', 'because', 'I', "'m", 'so', 'tired', 'Please', 'give', 'me', 'some', 'time']
在大多数情况下应该可以正常工作,因为它删除了标点符号,同时保留了诸如“n't”之类的标记,这些标记无法从wordpunct_tokenize
.
我使用此代码删除标点符号:
import nltk
def getTerms(sentences):
tokens = nltk.word_tokenize(sentences)
words = [w.lower() for w in tokens if w.isalnum()]
print tokens
print words
getTerms("hh, hh3h. wo shi 2 4 A . fdffdf. A&&B ")
如果你想检查一个标记是否是一个有效的英文单词,你可能需要PyEnchant
教程:
import enchant
d = enchant.Dict("en_US")
d.check("Hello")
d.check("Helo")
d.suggest("Helo")
您可以在没有 nltk (python 3.x) 的情况下在一行中完成。
import string
string_text= string_text.translate(str.maketrans('','',string.punctuation))
只需将@rmalouf 添加到解决方案中,这将不包含任何数字,因为 \w+ 等效于 [a-zA-Z0-9_]
from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'[a-zA-Z]')
tokenizer.tokenize('Eighty-seven miles to go, yet. Onward!')
删除标点符号(它将删除 . 以及使用以下代码处理的部分标点符号)
tbl = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
text_string = text_string.translate(tbl) #text_string don't have punctuation
w = word_tokenize(text_string) #now tokenize the string
样本输入/输出:
direct flat in oberoi esquire. 3 bhk 2195 saleable 1330 carpet. rate of 14500 final plus 1% floor rise. tax approx 9% only. flat cost with parking 3.89 cr plus taxes plus possession charger. middle floor. north door. arey and oberoi woods facing. 53% paymemt due. 1% transfer charge with buyer. total cost around 4.20 cr approx plus possession charges. rahul soni
['direct', 'flat', 'oberoi', 'esquire', '3', 'bhk', '2195', 'saleable', '1330', 'carpet', 'rate', '14500', 'final', 'plus', '1', 'floor', 'rise', 'tax', 'approx', '9', 'flat', 'cost', 'parking', '389', 'cr', 'plus', 'taxes', 'plus', 'possession', 'charger', 'middle', 'floor', 'north', 'door', 'arey', 'oberoi', 'woods', 'facing', '53', 'paymemt', 'due', '1', 'transfer', 'charge', 'buyer', 'total', 'cost', 'around', '420', 'cr', 'approx', 'plus', 'possession', 'charges', 'rahul', 'soni']