Python （生物医学）单词'；茎

我熟悉R中tm软件包的词干和补全

我试图想出一种快速而肮脏的方法来查找给定单词的所有变体（在一些语料库中）。例如，如果我的输入是“白细胞”，我想得到“白细胞”和“白细胞”

如果我必须现在就做的话，我可能会选择这样的方式：

library(tm)
library(RWeka)
dictionary <- unique(unlist(lapply(crude, words)))
grep(pattern = LovinsStemmer("company"), 
    ignore.case = T, x = dictionary, value = T)

library（tm）
图书馆（鲁韦卡）
字典此解决方案需要对语料库进行预处理。但一旦完成，就可以快速查找字典了

from collections import defaultdict
from stemming.porter2 import stem

with open('/usr/share/dict/words') as f:
    words = f.read().splitlines()

stems = defaultdict(list)

for word in words:
    word_stem = stem(word)
    stems[word_stem].append(word)

if __name__ == '__main__':
    word = 'leukocyte'
    word_stem = stem(word)
    print(stems[word_stem])

对于
/usr/share/dict/words
语料库，这将生成结果

['leukocyte', "leukocyte's", 'leukocytes']

它使用可与一起安装的模块

pip install stemming

你能举个例子说明你提出的解决方案没有达到你想要的效果吗？你说波特·斯泰默不够咄咄逼人是什么意思？回到这里。在Ubuntu16.04.2和Python2.7.12下运行，它不会返回“白细胞”的任何内容。也许我们的文字档案不一样？！有了“嫉妒”，一定要得到[“嫉妒”、“嫉妒”、“嫉妒”。“muscle”是get[“muscle”，“muscled”，“muscling”，但不是“muscular”。所以我想这是一个局部解决方案。也许我对逆词干的期望太高了，尤其是生物医学术语。我可以从中得到复数形式和形容词形式