通过在 python 3 中使用算术和逻辑运算符保留某些单词来标记单词？答案

【问题标题】：Tokenizing words by preserving certain words with arithmetic and logical operators in python 3?通过在 python 3 中使用算术和逻辑运算符保留某些单词来标记单词？
【发布时间】：2020-02-16 07:49:21
【问题描述】：

在对大型语料库中的多个句子进行标记时，我需要将某些单词保留为原始形式，例如 .Net, C#, C++。我还想删除标点符号（.,!_-()=*&^%$@~ 等），但需要保留 .net, .htaccess, .htpassword, c++ 等字词。

我尝试了nltk.word_tokenize 和nltk.regexp_tokenize，但没有得到预期的输出。

请帮我解决上述问题。

代码：

import nltk
from nltk import regexp_tokenize
from nltk.corpus import stopwords


def pre_data():
    tokenized_sentences = nltk.sent_tokenize(tokenized_raw_data)
    sw0 = (stopwords.words('english'))
    sw1 = ["i.e", "dxint", "hrangle", "idoteq", "devs", "zero"]
    sw = sw0 + sw1
    tokens = [[word for word in regexp_tokenize(word, pattern=r"\s|\d|[^.+#\w a-z]", gaps=True)] for word in tokenized_sentences]
    print(tokens)
pre_data()

tokenized_raw_data 是一个普通的文本文件。它包含多个句子，中间有空格，由 .blog、.net、c++、c#、asp.net、.htaccess 等词组成。

例子

['.blog 是一个供博客使用的通用顶级域'.,

'C# 是一种通用的、多范式的编程语言'。，

'C++ 是面向对象的编程语言'。]

【问题讨论】：

标签： python python-3.x list nltk tokenize

【解决方案1】：

此解决方案涵盖给定的示例并保留 C++、C# asp.net 等单词，同时删除正常的标点符号。

import nltk

paragraph = (
        '.blog is a generic top-level domain intended for use by blogs. '
        'C# is a general-purpose, multi-paradigm programming language. '
        'C++ is object-oriented programming language. '
        'asp.net is something very strange. '
        'The most fascinating language is c#. '
        '.htaccess makes my day!'
)

def pre_data(raw_data):
    tokenized_sentences = nltk.sent_tokenize(raw_data)
    tokens = [nltk.regexp_tokenize(sentence, pattern='\w*\.?\w+[#+]*') for sentence in tokenized_sentences]
    return tokens

tokenized_data = pre_data(paragraph)
print(tokenized_data)

出来

[['.blog', 'is', 'a', 'generic', 'top', 'level', 'domain', 'intended', 'for', 'use', 'by', 'blogs'], 
 ['C#', 'is', 'a', 'general', 'purpose', 'multi', 'paradigm', 'programming', 'language'], 
 ['C++', 'is', 'object', 'oriented', 'programming', 'language'], 
 ['asp.net', 'is', 'something', 'very', 'strange'], 
 ['The', 'most', 'fascinating', 'language', 'is', 'c#'], 
 ['.htaccess', 'makes', 'my', 'day']]

但是，这个简单的正则表达式可能不适用于您文本中的所有技术术语。提供完整示例以获得更通用的解决方案。

【讨论】：