Python 对包含B或I标记的连续单词进行分组

我有以下数据：

[[('Natural', 'JJ', 'B'), ('language', 'NN', 'I'), ('processing', 'NN', 'I'), ('is', 'VBZ', 'O'), ('one', 'CD', 'O'), ('of', 'IN', 'O'), ('the', 'DT', 'O'), ('important', 'JJ', 'O'), ('branch', 'NN', 'O'), ('of', 'IN', 'O'), ('CS', 'NNP', 'B'), ('.', '.', 'I')] ... ...]]

我想对带有标记B或I的连续单词进行分组，忽略带有“O”标记的单词

输出关键字应如下所示：

自然语言处理， CS， 机器学习， 深度学习

我做了如下代码：

data=[[('Natural', 'JJ', 'B'), ('language', 'NN', 'I'), ('processing', 'NN', 'I'), ('is', 'VBZ', 'O'), ('one', 'CD', 'O'), ('of', 'IN', 'O'), ('the', 'DT', 'O'), ('important', 'JJ', 'O'), ('branch', 'NN', 'O'), ('of', 'IN', 'O'), ('CS', 'NNP', 'B'), ('.', '.', 'I')],
[('Machine', 'NN', 'B'), ('learning', 'NN', 'I'), (',', ',', 'I'), ('deep', 'JJ', 'I'), ('learning', 'NN', 'I'), ('are', 'VBP', 'O'), ('heavily', 'RB', 'O'), ('used', 'VBN', 'O'), ('in', 'IN', 'O'), ('natural', 'JJ', 'B'), ('language', 'NN', 'I'), ('processing', 'NN', 'I'), ('.', '.', 'I')],
[('It', 'PRP', 'O'), ('is', 'VBZ', 'O'), ('too', 'RB', 'O'), ('cool', 'JJ', 'O'), ('.', '.', 'O')]]
Key_words = []
index = 0
for sen in data:
    for i in range(len(sen)):
        while index < len(sen):

data=[（'Natural'，'JJ'，'B'），（'language'，'NN'，'I'），（'processing'，'NN'，'I'），（'is'，'VBZ'，'O'），（'one'，'CD'，'O'），（'of'，'IN'，'O'），（'DT'，'O'），（'important'，'JJ'，'O'），（'branch'，'NN'，'O'），（'of'，'IN'，'O'），（'CS'，'NNP'，'B'），（'IN'，'I'），'，
[（'Machine'，'NN'，'B'），（'learning'，'NN'，'I'），（'deep'，'JJ'，'I'），（'learning'，'NN'，'I'），（'are'，'VBP'，'O'），（'throughly'，'RB'，'O'），（'in'，'in'，'O'），（'natural'，'JJ'，'B'），（'language'，'NN I'），（'processing'，'NN I'，'I'），（'processing'，'NN I'，'，
[（'It'，'PRP'，'O'），（'is'，'VBZ'，'O'），（'too'，'RB'，'O'），（'cool'，'JJ'，'O'），（'，'O'）]
关键词=[]
索引=0
对于数据中的sen：
对于范围内的i（len（sen））：
当指数

我不知道下一步该怎么办。谁能帮帮我吗

谢谢

希望这有帮助

remove_o = list(filter(lambda x: x[2] in ['I', 'B'], data))
words = [item[0] for item in remove_o]
reuslt = ' '.join(words)

---

您应该使用

itertools.groupby

来获得相当紧凑的解决方案：

import itertools
import string

data = [[('Natural', 'JJ', 'B'), ('language', 'NN', 'I'), ('processing', 'NN', 'I'), ('is', 'VBZ', 'O'), ('one', 'CD', 'O'), ('of', 'IN', 'O'), ('the', 'DT', 'O'), ('important', 'JJ', 'O'), ('branch', 'NN', 'O'), ('of', 'IN', 'O'), ('CS', 'NNP', 'B'), ('.', '.', 'I')],
[('Machine', 'NN', 'B'), ('learning', 'NN', 'I'), (',', ',', 'I'), ('deep', 'JJ', 'I'), ('learning', 'NN', 'I'), ('are', 'VBP', 'O'), ('heavily', 'RB', 'O'), ('used', 'VBN', 'O'), ('in', 'IN', 'O'), ('natural', 'JJ', 'B'), ('language', 'NN', 'I'), ('processing', 'NN', 'I'), ('.', '.', 'I')],
[('It', 'PRP', 'O'), ('is', 'VBZ', 'O'), ('too', 'RB', 'O'), ('cool', 'JJ', 'O'), ('.', '.', 'O')]]

punctuation = set(string.punctuation)
keywords = [[' '.join(w[0] for w in g) for k, g in itertools.groupby(sen, key=lambda x: x[0] not in punctuation and x[2] != 'O') if k] for sen in data]

print(keywords)
# [['Natural language processing', 'CS'],
#  ['Machine learning', 'deep learning', 'natural language processing'],
#  []]

---

当“O”不作为第三个元素出现时，需要获取元组中的第一个值，对吗？你可以这样做

output = [j[0] for i in data for j in i if(j[2]!='O')]

以上代码与

for i in data:
    for j in i:
        if(j[2]!='O'): # if(j[2] in ['I','B']) also works
            print(j[0]) # Or append to the output list