如何标记 NLTK 中的字符串句子？

Posted 2023-02-15

【中文标题】如何标记 NLTK 中的字符串句子？

【英文标题】：How do I tokenize a string sentence in NLTK?

【发布时间】：2013-02-10 01:32:07

【问题描述】：

我正在使用 nltk，所以我想创建自己的自定义文本，就像 nltk.books 上的默认文本一样。但是，我刚刚开始使用类似的方法

my_text = ['This', 'is', 'my', 'text']

我想找到任何方法来输入我的“文本”：

my_text = "This is my text, this is a nice way to input text."

哪种方法，python 或 nltk 允许我这样做。更重要的是，如何消除标点符号？

【问题讨论】：

您能否澄清一下，underestimate punctation symbols 是什么意思？

我认为他的意思是对输入的句子进行标记

是的，例如如果我这样做了：sentente = "This is my sentence, a sentence is a short expression" 所以，'sentence' 和 'sentence' 将是两个不同的元素...

【参考方案1】：

这个其实就在main page of nltk.org：

>>> import nltk
>>> sentence = """At eight o'clock on Thursday morning
... Arthur didn't feel very good."""
>>> tokens = nltk.word_tokenize(sentence)
>>> tokens
['At', 'eight', "o'clock", 'on', 'Thursday', 'morning',
'Arthur', 'did', "n't", 'feel', 'very', 'good', '.']

【讨论】：

问题是它没有拆分/。如果你有“今天和/或明天是好日子”，它默认将“和/或”作为单个标记。

我们如何将“n't”转换为“not”？

@Omayr，我会使用正则表达式将“n't”转换为“not”。我在下面附上了一些示例代码。 re.sub("'t", 'ot', "n't, doesn't, can't, don't") 粗体

我在 Python2 中使用 word_tokenize，但在 Python3 中我想要一个字节列表，而不是字符串。有可能吗？

【参考方案2】：

正如@PavelAnossov 回答的，规范的答案，使用nltk 中的word_tokenize 函数：

from nltk import word_tokenize
sent = "This is my text, this is a nice way to input text."
word_tokenize(sent)

---

如果你的句子真的足够简单：

使用string.punctuation 集，删除标点符号，然后使用空格分隔符分割：

import string
x = "This is my text, this is a nice way to input text."
y = "".join([i for i in x if not in string.punctuation]).split(" ")
print y

【讨论】：

@pavel 的回答将解决诸如didn't -> did + n't 之类的问题

word_tokenize 有什么问题？看到这么多反对票，我想确保我没有错过任何东西。

我没有投反对票，但我猜你的答案本质上是 Pavel 答案的副本。也许对他的回答发表评论会更合适。