在Python中以高效的方式清理数据

我有以下格式的数据：

顶部（PP-LOC（IN）（NP（DT an）（NNP十月）（CD 19）（NN评论）（PP（IN of）（NP（

）（NP-TTL（DT The）（NN厌世者）））（NN）（在at）（NP（NNP芝加哥）（POS的）（NNP古德曼）（NNP剧院）））（PRN（-LRB--LRB-）（
）（s-HLN（NP-SBJ（VBN复兴）（NNS经典之作）（VP（VBP）（NP（DT the）（NN舞台）（PP-LOC（IN）（NP（NNP Windy）（NNP城市）（NN舞台）（NP-TMP（NN休闲）（CC&（NNS艺术）（-RRB--/RRB））<（NP-SBJ-2）（NP（NP（DT）（NN角色）（PP（在of中）（NP（NNP Celimene））（，）（VP（VBN扮演）（NP（-NONE-*）（PP（在by中）（NP-LGS（NNP Kim））（，））（VP（VBD was）（VP（ADVP-MNR（RB错误地））（VBN属性）（NP（-NONE-*-2））（PP-CLR（NP（NNP-Christina）（NNP-Haag））（…）

（顶部（NP-SBJ（NNP Ms）（NNP Haag））（VP（VBZ播放）（NP（NNP ELANTI））（…））

……（还有7000多个……）

此数据取自一份报纸。新行是一个新句子（以“TOP”开头）
根据这些数据，我只需要每个句子的粗体部分（不带括号）：

(IN In)(DT an) (NNP Oct.) (CD 19) (NN review) (IN of) (`` ``) (DT The) (NN Misanthrope)   ('' '')  (IN at)  (NNP Chicago) (POS 's) (NNP Goodman) (NNP Theatre)(-LRB- -LRB-) (`` ``)     (VBN Revitalized) (NNS Classics) (VBP Take) (DT the) (NN Stage)  (IN in)   (NNP Windy) (NNP    City) (, ,) ('' '') (NN Leisure) (CC &) (NNS Arts) (-RRB- -RRB-)(, ,) (DT the) (NN role)(IN of)  (NNP Celimene) (, ,) (VBN played) (-NONE- *)(IN by)(NNP Kim) (NNP Cattrall) (, ,) (VBD was)  (RB mistakenly)(VBN attributed) (-NONE- *-2) (TO to)(NNP Christina) (NNP Haag) (. .)

(NNP Ms.) (NNP Haag) (VBZ plays)(NNP Elianti)(. .)

我尝试了以下方法：

f = open('filename')
data = f.readlines()
f.close()

这一部分是为每一行装箱一个元组数组（使用正则表达式）：

这需要很长时间，所以我不知道它是否正确

你知道如何有效地做这件事吗

谢谢

哈达斯试试这个：

import re

f = open('filename')
data = f.readlines()
f.close()
tag_word_train = numpy.empty((5000), dtype = 'object')
exp = re.compile("\([^()]*\)")

i = 0

for line in data:
    #out = re.findall(exp, data)
    #print(out)
    tag_word_train[i] = re.findall(exp, data)               
    i = i + 1

分解正则表达式：

\（
匹配左括号

[^（）]*
匹配零个或多个非左括号或右括号的字符

\）
匹配右括号

（我假设您想要的是本身不包含括号的术语。如果我的假设错误，正则表达式将不会执行您想要的操作）。
nltk
具有可能适合您需要的功能。特别是，您需要使用类方法：

nltk.tree
提供了在解析中读取和提取输出中所需的单词和词性标记对的函数：

>>> import nltk.tree
>>> t = nltk.tree.Tree.fromstring("(TOP (S (NP-SBJ (NNP Ms.) (NNP Haag) ) (VP (VBZ plays) (NP (NNP Elianti) )) (. .) ))")
>>> t.pos()
[('Ms.', 'NNP'), ('Haag', 'NNP'), ('plays', 'VBZ'), ('Elianti', 'NNP'), ('.', '.')]

@Marcin你在编辑之前读过这个问题吗？你的编辑把OP提到的粗体部分删掉了。对不起。太快了。数据从哪里来？
Stanford Parser
或
nltk
（其他什么？）？你好，Reut，我不知道…@Hadas，正如你所知-这些数据应该被建模为一棵树。使用正则表达式可以进行简单的练习，但如果这是一个你正在进行的项目，请查看常见NLP库如何处理它。我在“out”中得到一个错误。此外，我希望每一行数据都是单独的（在列表、数组或类似的东西中）我不确定你的答案是否如此。谢谢你的回答当我对你提供的上述输入使用我的答案时，我得到了你想要的输出。我已经编辑了我的答案，以展示如何将其与你现有的代码结合起来，以防出现问题。如果你想要存储输出，那么就不要使用
out=re.findall（exp，data）
和
打印（out）
您想要的
标记单词\u train[i]=re.findall（exp，data）
（我不知道numpy，但我假设您知道并且在那里声明了正确的列表类型）。
>>> import nltk.tree
>>> nltk.tree.Tree.fromstring("(S (NP (DT The) (N cat)) (VP (V ran)))")
Tree('S', [Tree('NP', [Tree('DT', ['The']), Tree('N', ['cat'])]), Tree('VP', [Tree('V', ['ran'])])])

>>> import nltk.tree
>>> t = nltk.tree.Tree.fromstring("(TOP (S (NP-SBJ (NNP Ms.) (NNP Haag) ) (VP (VBZ plays) (NP (NNP Elianti) )) (. .) ))")
>>> t.pos()
[('Ms.', 'NNP'), ('Haag', 'NNP'), ('plays', 'VBZ'), ('Elianti', 'NNP'), ('.', '.')]