python tokenize_python – 滥用nltk的word

nltk.tokenize.word_tokenize(text)只是一个瘦的

wrapper function,它调用

TreebankWordTokenizer类实例的tokenize方法,它显然使用简单的正则表达式来解析一个句子.

该类的文档声明：

This tokenizer assumes that the text has already been segmented into

sentences. Any periods — apart from those at the end of a string —

are assumed to be part of the word they are attached to (e.g. for

abbreviations,etc),and are not separately tokenized.

底层tokenize方法本身非常简单：

def tokenize(self,text):

for regexp in self.CONTRACTIONS2:

text = regexp.sub(r'\1 \2',text)

for regexp in self.CONTRACTIONS3:

text = regexp.sub(r'\1 \2 \3',text)

# Separate most punctuation

text = re.sub(r"([^\w\.\'\-\/,&])",r' \1 ',text)

# Separate commas if they're followed by space.

# (E.g.,don't separate 2,500)

text = re.sub(r"(,\s)",r' \1',text)

# Separate single quotes if they're followed by a space.

text = re.sub(r"('\s)",text)

# Separate periods that come before newline or end of string.

text = re.sub('\. *(\n|$)',' . ',text)

return text.split()

基本上,该方法通常做的是将句点标记为单独的标记,如果它落在字符串的末尾：

>>> nltk.tokenize.word_tokenize("Hello,world.")

['Hello',','world','.']

落在字符串中的任何句点都被标记为单词的一部分,假设它是缩写：

>>> nltk.tokenize.word_tokenize("Hello,world. How are you?")

['Hello','world.','How','are','you','?']

只要这种行为是可以接受的,你应该没事.

python tokenize_python – 滥用nltk的word_tokenize(已发送)的后果相关推荐

中文停用词文档_使用Python中的NLTK和spaCy删除停用词与文本标准化
译者 | VK 来源 | Analytics Vidhya [磐创AI 导读]:本文介绍了如何使用Python中的NLTK和spaCy删除停用词与文本标准化,欢迎大家转发.留言.想要更多电子杂志的机器 ...
python自然语言处理案例-Python自然语言处理 NLTK 库用法入门教程【经典】
本文实例讲述了Python自然语言处理 NLTK 库用法.分享给大家供大家参考,具体如下: 在这篇文章中,我们将基于 Python 讨论自然语言处理(NLP).本教程将会使用 Python NLTK ...
Python批量拆分Excel文件中已合并的单元格
中国大学MOOC"Python程序设计基础"第4次开课推荐图书: <Python程序设计(第3版)>,(ISBN:978-7-302-55083-9),董付国,清华大 ...
[转载] 使用Python中的NLTK和spaCy删除停用词与文本标准化
参考链接: Python | 用NLTK进行词干分析概述了解如何在Python中删除停用词与文本标准化,这些是自然语言处理的基本技术探索不同的方法来删除停用词,以及讨论文本标准化技术,如词干化 ...
使用Python中的NLTK和spaCy删除停用词与文本标准化
概述了解如何在Python中删除停用词与文本标准化,这些是自然语言处理的基本技术探索不同的方法来删除停用词,以及讨论文本标准化技术,如词干化(stemming)和词形还原(lemmatizatio ...
Python自然语言处理 NLTK 库用法入门教程【经典】
@本文来源于公众号:csdn2299,喜欢可以关注公众号程序员学府本文实例讲述了Python自然语言处理 NLTK 库用法.分享给大家供大家参考,具体如下: 在这篇文章中,我们将基于 Python ...
python基于条件、规则构建已有字典的子集
python基于条件.规则构建已有字典的子集字典是另一种可变容器模型,且可存储任意类型对象. 字典的每个键值 key=>value 对用冒号 : 分割,每个对之间用逗号(,)分割,整个字典包括 ...
.Net MVC Redirect出现：服务器无法在已发送 HTTP 标头之后设置状态解决方案
.Net MVC Redirect出现:服务器无法在已发送 HTTP 标头之后设置状态解决方案参考文章: (1).Net MVC Redirect出现:服务器无法在已发送 HTTP 标头之后设置状态 ...
python的工作方向-Python最有发展潜力的方向已出来，是否有你喜欢的职位？
原标题:Python最有发展潜力的方向已出来,是否有你喜欢的职位? Python是一门面向对象的编程语言,编译速度超快,从诞生到现在已经25个年头了.其特点在于灵活运用,因为其拥有大量第三方库,所以开 ...
对于窗口大小为n个滑动窗口，最多可以有（）帧已发送但没有确认。
对于窗口大小为n的滑动窗口,最多可以有( n-1 )帧已发送但没有确认. 在连续ARQ协议中,发送窗口大小<=窗口总数-1. 例如:窗口总数为8,编号为0 ~ 7,假设8个帧都已发出,下一轮又发 ...

python tokenize_python – 滥用nltk的word_tokenize(已发送)的后果

python tokenize_python – 滥用nltk的word_tokenize(已发送)的后果相关推荐

最新文章

热门文章