Python 在函数中使用关键字参数使n-gram的生成成为可选的
我的xml文件的外观示例:Python 在函数中使用关键字参数使n-gram的生成成为可选的,python,function,nlp,keyword-argument,Python,Function,Nlp,Keyword Argument,我的xml文件的外观示例: <?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="folia.xsl"?> <FoLiA xmlns:xlink="http://www.w3.org/1999/xlink" xmlns="http://ilk.uvt.nl/folia" xml:id="untitled" generator="libfolia-v0.10">
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="folia.xsl"?>
<FoLiA xmlns:xlink="http://www.w3.org/1999/xlink" xmlns="http://ilk.uvt.nl/folia" xml:id="untitled" generator="libfolia-v0.10">
<metadata type="native">
<annotations>
<token-annotation annotator="ucto" annotatortype="auto" datetime="2017-04-17T14:50:04" set="tokconfig-nl"/>
<pos-annotation annotator="frog-mbpos-1.0" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-mbpos-cgn"/>
<lemma-annotation annotator="frog-mblem-1.1" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-mblem-nl"/>
<chunking-annotation annotator="frog-chunker-1.0" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-chunker-nl"/>
<entity-annotation annotator="frog-mwu-1.0" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-mwu-nl"/>
<entity-annotation annotator="frog-ner-1.0" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-ner-nl"/>
<morphological-annotation annotator="frog-mbma-1.0" annotatortype="auto" datetime="2017-04-17T14:50:04" set="http://ilk.uvt.nl/folia/sets/frog-mbma-nl"/>
<dependency-annotation annotator="frog-depparse-1.0" annotatortype="auto" set="http://ilk.uvt.nl/folia/sets/frog-depparse-nl"/>
</annotations>
</metadata>
<text xml:id="untitled.text">
<p xml:id="untitled.p.1">
<s xml:id="untitled.p.1.s.1">
<w xml:id="untitled.p.1.s.1.w.1" class="WORD">
<t>De</t>
<pos class="LID(bep,stan,rest)" confidence="0.999701" head="LID">
<feat class="bep" subset="lwtype"/>
<feat class="stan" subset="naamval"/>
<feat class="rest" subset="npagr"/>
</pos>
<lemma class="de"/>
<morphology>
<morpheme>
<t offset="0">de</t>
</morpheme>
</morphology>
</w>
"[^0-9] " # not-a-digit, followed by space
"|" # OR
"[^(\.|\,|\?|\:|\;|\!)]" # bad syntax, but I think you mean not one of .,?:;!
它将接受任何后跟空格的标点符号(非数字),或任何数字或其他字符或空格(非标点符号)!基本上,它唯一不匹配的是“完全由标点符号组成的字符串”
我猜您真正想要的是“一个至少包含一个字母且没有非字母字符的字符串”,但请随意更正ngrams()
或FreqDist()
,因此我无法测试它的缩进看起来不正确-我认为应该再缩进一级
# import re
import xml.etree.ElementTree as ET
FOLIA_NAMESPACE = {
'default': 'http://ilk.uvt.nl/folia',
'xlink': 'http://www.w3.org/1999/xlink'
}
def is_word(s):
return s.isalpha()
# as a regex:
# return re.match("[A-Za-z]+$", s) is not None
def load_words(folia_xml_file, is_word=is_word, namespace=FOLIA_NAMESPACE):
root = ET.parse(folia_xml_file).getroot()
tokens = root.findall(".//default:w/default:t", namespace)
return [t.text for t in tokens if is_word(t.text)]
def make_ngram_vectors(words, n_values=[1,2,3]):
vectors = {}
for n in n_values:
grams = ngrams(words, n)
fdist = FreqDist(grams)
total = sum(count for gram,count in fdist.items())
for gram,count in fdist.items():
key = "w{}+{}".format(n, " ".join(gram))
vectors[key] = count / total
return vectors
def main():
words = load_words("romanfragment_frogged.xml")
vectors = make_ngram_vectors(words, [1])
print(vectors)
if __name__ == "__main__":
main()
编辑:
如果查看xml文件顶部的
标记,您将看到xmlns=
(定义文档默认名称空间的链接,即哪些标记可用)和xmlns:xlink=
(另一个xlink名称空间,它定义了xlink:href
和xlink:show
-请参见)
ElementTree喜欢内联扩展名称空间,使您的标记看起来像{http://ilk.uvt.nl/folia}w
。通过传递名称空间dict,我们可以使用更可读的格式,比如default:w
要获得与原始函数相同的输入/输出格式,可以使用如下包装函数:
def word_ngrams(folia_xml_file, unigrams=True, bigrams=True, trigrams=True):
# condense parameters into n_values
n_values = []
if unigrams:
n_values.append(1)
if bigrams:
n_values.append(2)
if trigrams:
n_values.append(3)
words = load_words(folia_xml_file)
return make_ngram_vectors(words, n_values)
"[^0-9] " # not-a-digit, followed by space
"|" # OR
"[^(\.|\,|\?|\:|\;|\!)]" # bad syntax, but I think you mean not one of .,?:;!
它将接受任何后跟空格的标点符号(非数字),或任何数字或其他字符或空格(非标点符号)!基本上,它唯一不匹配的是“完全由标点符号组成的字符串”
我猜您真正想要的是“一个至少包含一个字母且没有非字母字符的字符串”,但请随意更正ngrams()
或FreqDist()
,因此我无法测试它的缩进看起来不正确-我认为应该再缩进一级
# import re
import xml.etree.ElementTree as ET
FOLIA_NAMESPACE = {
'default': 'http://ilk.uvt.nl/folia',
'xlink': 'http://www.w3.org/1999/xlink'
}
def is_word(s):
return s.isalpha()
# as a regex:
# return re.match("[A-Za-z]+$", s) is not None
def load_words(folia_xml_file, is_word=is_word, namespace=FOLIA_NAMESPACE):
root = ET.parse(folia_xml_file).getroot()
tokens = root.findall(".//default:w/default:t", namespace)
return [t.text for t in tokens if is_word(t.text)]
def make_ngram_vectors(words, n_values=[1,2,3]):
vectors = {}
for n in n_values:
grams = ngrams(words, n)
fdist = FreqDist(grams)
total = sum(count for gram,count in fdist.items())
for gram,count in fdist.items():
key = "w{}+{}".format(n, " ".join(gram))
vectors[key] = count / total
return vectors
def main():
words = load_words("romanfragment_frogged.xml")
vectors = make_ngram_vectors(words, [1])
print(vectors)
if __name__ == "__main__":
main()
编辑:
如果查看xml文件顶部的
标记,您将看到xmlns=
(定义文档默认名称空间的链接,即哪些标记可用)和xmlns:xlink=
(另一个xlink名称空间,它定义了xlink:href
和xlink:show
-请参见)
ElementTree喜欢内联扩展名称空间,使您的标记看起来像{http://ilk.uvt.nl/folia}w
。通过传递名称空间dict,我们可以使用更可读的格式,比如default:w
要获得与原始函数相同的输入/输出格式,可以使用如下包装函数:
def word_ngrams(folia_xml_file, unigrams=True, bigrams=True, trigrams=True):
# condense parameters into n_values
n_values = []
if unigrams:
n_values.append(1)
if bigrams:
n_values.append(2)
if trigrams:
n_values.append(3)
words = load_words(folia_xml_file)
return make_ngram_vectors(words, n_values)
此代码的单字符段需要缩进,这将清除您的逻辑。@robertlayton,识别错误是我在这里键入代码时产生的。我修好了,我的问题依然存在。或者你的意思是什么?@HughBothwell谢谢你的编辑,但这也是我在此处键入代码时犯的错误。是否可以获取一个简短的sample.xml文件进行解析?“青蛙”文本到底是什么——谷歌搜索毫无帮助?@HughBothwell是的,我刚刚添加了一个示例。Frog是荷兰人的NLP工具。因此,当我通过Frog传递文本时,它会被标记、解析、标记等。这段代码的单字符段需要缩进,这将清除您的逻辑。@robertlayton,识别错误是我在这里键入代码时出现的。我修好了,我的问题依然存在。或者你的意思是什么?@HughBothwell谢谢你的编辑,但这也是我在此处键入代码时犯的错误。是否可以获取一个简短的sample.xml文件进行解析?“青蛙”文本到底是什么——谷歌搜索毫无帮助?@HughBothwell是的,我刚刚添加了一个示例。Frog是荷兰人的NLP工具。因此,当我通过Frog传递文本时,它会被标记、解析、标记等。非常感谢您的帮助!事实上,我想要所有的单词,但不要数字和标点符号。我是编程新手,所以我不完全理解你的代码。我有几个问题。1.folia名称空间到底是什么,尤其是x-link?2.该函数需要适合特征提取系统,因此单词n-gram的向量是训练分类器的一个特征。我想不可能把你的4个函数合并成一个大函数?我太感谢你了。现在一切都清楚多了!我还有一个问题。我正在做一个单元测试,非常感谢你的帮助!事实上,我想要所有的单词,但不要数字和标点符号。我是编程新手,所以我不完全理解你的代码。我有几个问题。1.folia名称空间到底是什么,尤其是x-link?2.该函数需要适合特征提取系统,因此单词n-gram的向量是训练分类器的一个特征。我想不可能把你的4个函数合并成一个大函数?我太感谢你了。现在一切都清楚多了!我还有一个问题。我正在试着做一个单元测试