Python 3.x 在应用ngram之前理解输入文本的最佳方法
目前我正在从excel文件中读取文本,并对其应用bigram。下面示例代码中使用的finalList具有从输入excel文件读取的输入单词的列表 借助以下库从输入中删除了StopWord:Python 3.x 在应用ngram之前理解输入文本的最佳方法,python-3.x,pandas,nlp,nltk,nltk-book,Python 3.x,Pandas,Nlp,Nltk,Nltk Book,目前我正在从excel文件中读取文本,并对其应用bigram。下面示例代码中使用的finalList具有从输入excel文件读取的输入单词的列表 借助以下库从输入中删除了StopWord: from nltk.corpus import stopwords 二元逻辑在单词输入文本列表中的应用 bigram=ngrams(finalList ,2) 输入文本:我完成了我的端到端流程 当前输出:已完成结束、结束、结束进程 期望输出:完成端到端、端到端流程 这意味着一些单词组,如(端到端)应该被视
from nltk.corpus import stopwords
二元逻辑在单词输入文本列表中的应用
bigram=ngrams(finalList ,2)
输入文本:我完成了我的端到端流程
当前输出:已完成结束、结束、结束进程
期望输出:完成端到端、端到端流程
这意味着一些单词组,如(端到端)应该被视为一个单词。要解决您的问题,您必须使用正则表达式清除停止词。请参见此示例:
import re
text = 'I completed my end-to-end process..:?'
pattern = re.compile(r"\.*:\?*") # to remove zero or more instances of such stop words, the hyphen is not included in the stop words.
new_text = re.sub(pattern, '', text)
print(new_text)
'I completed my end-to-end process'
# Now you can generate bigrams manually.
# 1. Tokanize the new text
tok = new_text.split()
print(tok) # If the size of token is huge, just print the first five ones, like this print(tok[:5])
['I', 'completed', 'my', 'end-to-end', 'process']
# 2. Loop over the list and generate bigrams, store them in a var called bigrams
bigrams = []
for i in range(len(tok) - 1): # -1 to avoid index error
bigram = tok[i] + ' ' + tok[i + 1]
bigrams.append(bigram)
# 3. Print your bigrams
for bi in bigrams:
print(bi, end = ', ')
I completed, completed my, my end-to-end, end-to-end process,
我希望这有帮助 检查您的标记化?使用适当的标记器: