scikit-learn：在标记化时不要分隔连字符

Posted 2023-02-23

【中文标题】scikit-learn：在标记化时不要分隔连字符

【英文标题】：scikit-learn: don't separate hyphenated words while tokenization

【发布时间】：2016-11-02 02:13:00

【问题描述】：

我正在使用CountVectorizer 并且不想将连字符分隔成不同的标记。我尝试将不同的 pregex 模式传递给 token_pattern 参数，但未能获得所需的结果。

这是我尝试过的：

pattern = r''' (?x)         # set flag to allow verbose regexps 
([A-Z]\.)+          # abbreviations (e.g. U.S.A.)
| \w+(-\w+)*        # words with optional internal hyphens
| \$?\d+(\.\d+)?%?  # currency & percentages
| \.\.\.            # ellipses '''

text = 'I hate traffic-ridden streets.'
vectorizer = CountVectorizer(stop_words='english',token_pattern=pattern)
analyze = vectorizer.build_analyzer()
analyze(text)

我也尝试过使用 nltk 的 regexp_tokenize，正如前面问题中所建议的那样，但它的行为似乎也发生了变化。

【问题讨论】：

***.com/questions/25355046/…的可能重复

@AbhinavArora 我已经看过那个解决方案了。该解决方案不适用于 NLTK 的最新版本，即 3.0.2

如果您可以使用正则表达式以外的其他方法。这可以通过 rake 来实现。

【参考方案1】：

有几点需要注意。首先是在模式字符串中添加所有这些空格、换行符和 cmets 会使所有这些字符成为正则表达式的一部分。见这里：

import re
>>> re.match("[0-9]","3")
<_sre.SRE_Match object at 0x104caa920>
>>> re.match("[0-9] #a","3")
>>> re.match("[0-9] #a","3 #a")
<_sre.SRE_Match object at 0x104caa718>

第二个是在字符串中构造正则表达式模式时需要转义特殊序列。例如pattern = "\w" 确实需要是pattern = "\\w"。一旦你考虑了这些事情，你应该能够为你想要的标记器编写正则表达式。例如，如果您只想添加连字符，则可以使用以下方法：

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> pattern = "(?u)\\b[\\w-]+\\b"
>>> 
>>> text = 'I hate traffic-ridden streets.'
>>> vectorizer = CountVectorizer(stop_words='english',token_pattern=pattern)
>>> analyze = vectorizer.build_analyzer()
>>> analyze(text)
[u'hate', u'traffic-ridden', u'streets']

【讨论】：

太棒了，谢谢！这个简单的改变解决了（防止）连字符的分裂（例如，miR-200）： cv = CountVectorizer(token_pattern='(?u)\\b[\\w-]+\\b', analyzer='word ')

如果我们有多种情况，例如，如果我们想添加@，'.'到正则表达式，这个模式 = "(?u)\\b[\\w-@.]+\\b" 工作吗？