调整 WEKA 的 arff 文件格式

Question

我想对包含 2000 行的 Weka arff 文件进行预处理 用于nlp项目（情绪分析）

我想要一个只在每个句子的开头和结尾添加一个单引号的代码。例如，这是我的数据集的示例：

The Da Vinci Code is one of the most beautiful movies ive ever seen.,1
The Da Vinci Code is an * amazing * book, do not get me wrong.,1
then I turn on the light and the radio and enjoy my Da Vinci Code.,1
The Da Vinci Code was REALLY good.,1
i love da vinci code....,1 

我希望输出是：

'The Da Vinci Code is one of the most beautiful movies ive ever seen.',1
'The Da Vinci Code is an * amazing * book, do not get me wrong.',1
'then I turn on the light and the radio and enjoy my Da Vinci Code.',1
'The Da Vinci Code was REALLY good.',1
'i love da vinci code....',1 

只想在每个句子的开头和结尾添加一个单引号（在 1 之前）。

如果你能帮我做，我将不胜感激

有什么工具可以代替编写代码吗？

Answer 1

您可以使用正则表达式来实现这一点。 Regular expressions are a powerful formalism for pattern matching in strings. 现有的大量工具都支持正则表达式，可以让你匹配/替换你想要的文本，而无需自己编写任何代码。

要使用正则表达式 (regexp) 进行匹配和替换，您需要两个部分：

1. Match：匹配字符串或字符串中某些内容的表达式。
2. Substitution/Replace：表示用什么来替换 匹配。

匹配：

/([^\.]+)(\.+)(,1\s+)/g

• 第 1 组：匹配除文字点以外的所有字符，至少 1 个 字符。
• 第 2 组：仅匹配文字点，至少 1 个字符。
• 第 3 组：匹配文字逗号，后跟文字 1，然后是 至少 1 个空格字符。
• 正则表达式标志 g（全局）：多个匹配项

换人：

'$1$2'$3

• 第 1 组和第 2 组用引号引起来，然后是第 3 组。

您可以查看上述匹配和替换的互动版本here

现在您可以使用该匹配和替换来使用您最喜欢的正则表达式工具。

点赞sed：

sed -i -E "s/([^\.]+)(\.+)(,1\s+)/'\1\2'\3/g" yourfile.txt

或 Windows PowerShell:

(Get-Content yourfile.txt) -replace '([^\.]+)(\.+)(,1\s+)', '''$1$2''$3' | Out-File output.txt

_{其他工具可能使用不同的语法。提供的匹配/替换模式可能可以进一步优化。}