如果元组的第一个元素以特定字符串开头，则合并元组

Question

我有一个棘手的问题，我不知道如何解决，所以我会尝试彻底解释它。我的数据框有 5 列，这是一个示例行：

 title                                                                                                                                                                                                                                                                                                                                                                                             in_id    tar_id       in           tar  
[('<IN>This</IN>', 'DET', 'nsubj'), ('is', 'VERB', 'ROOT'), ('an', 'DET', 'det'), ('example', 'NOUN', 'compound'), ('text', 'NOUN', 'attr'), ('that', 'DET', 'dobj'), ('I', 'PRON', 'nsubj'), ('use', 'VERB', 'relcl'), ('in', 'ADP', 'prep'), ('order', 'NOUN', 'pobj'), ('to', 'PART', 'aux'), ('<TAR>get</TAR>', 'VERB', 'acl'), ('<TAR>an</TAR>', 'DET', 'det'), ('answer', 'NOUN', 'dobj')]    2137     2984      [1]       [12, 13]

所以在title中我们有一个元组列表，其中第一个元组元素是一个单词，第二个是词性标签，第三个是它的依赖树标签。

in 和 tar 列是数组，它们映射到我想分别用“单词”或“单词”标记的句子中单词的位置。

in_id 和 tar_id 映射到它们的 ID。

我想要的是这个：

如果在in 和/或tar 中有多个值（例如在我显示tar=[12, 13] 的行中，我希望位置12 和13 的单词成为一个元组而不是两个单独的元组。

所以这个('<TAR>get</TAR>', 'VERB', 'acl'), ('<TAR>an</TAR>', 'DET', 'det')

应该变成这样：

('<TAR>get an</TAR>', 'TAR', '')

所以 2 个元组的第一个元素合并，第二个元素被重命名为列名（IN 或 TAR，第三个元素为空。

cols = list(df.columns)[4:]
for i in range(len(df))

parsed_sent = []
for idx, row in df.iterrows():
    doc = nlp(row['title'])
    dep_sents = [(token.text, token.pos_, token.dep_) for token in doc if not token.pos_ == "PUNCT"]
    for position, tuple_ in enumerate(dep_sents):
        word = tuple_[0]
        pos_tag = tuple_[1]
        dep = tuple_[2]
        for col in cols:
          if position in row[col]:
              word = f'<{col.upper()}>{word}</{col.upper()}>'
          else:
              word = word
    tuple_ = (word, pos_tag, dep)
    dep_sents[position] = tuple_
parsed_sent.append(dep_sents)
df['title'] = parsed_sent

Answer 1

我认为应该这样做。您的索引从 1 开始，这很奇怪，我的代码假设它们从 0 开始 合并将发生在第一个索引上

import re
def merge_tags(tag, indices, tuples):

    untar=re.compile(f'<{tag}>(.+)</{tag}>')

    tar_text=[]
    for i in indices:
        column,*_ = tuples[i]
        tar_text.append(re.match(untar, column).group(1))
    tar_text=' '.join(tar_text)

    for i in indices[1:]:
        del tuples[i]
        
    tuples[indices[0]]=(f'<{tag}>{tar_text}</{tag}>', f'{tag}', '')
    return tuples
    
tars=[11, 12] # in python indices start at 0
row=[('<IN>This</IN>', 'DET', 'nsubj'), ('is', 'VERB', 'ROOT'), ('an', 'DET', 'det'), ('example', 'NOUN', 'compound'), ('text', 'NOUN', 'attr'), ('that', 'DET', 'dobj'), ('I', 'PRON', 'nsubj'), ('use', 'VERB', 'relcl'), ('in', 'ADP', 'prep'), ('order', 'NOUN', 'pobj'), ('to', 'PART', 'aux'), ('<TAR>get</TAR>', 'VERB', 'acl'), ('<TAR>an</TAR>', 'DET', 'det'), ('answer', 'NOUN', 'dobj')]
print(merge_tags('TAR', tars, row))
>>> [('<IN>This</IN>', 'DET', 'nsubj'), ('is', 'VERB', 'ROOT'), ('an', 'DET', 'det'), ('example', 'NOUN', 'compound'), ('text', 'NOUN', 'attr'), ('that', 'DET', 'dobj'), ('I', 'PRON', 'nsubj'), ('use', 'VERB', 'relcl'), ('in', 'ADP', 'prep'), ('order', 'NOUN', 'pobj'), ('to', 'PART', 'aux'), ('<TAR>get an</TAR>', 'TAR', ''), ('answer', 'NOUN', 'dobj')]

你已经知道如何遍历行，所以我会尽量减少

row['title']=merge_tags('TAR', row['tar'], row['title'])
row['title']=merge_tags('IN', row['in'], row['title'])