Формирование биграмм слов в списке предложений с помощью Python

У меня есть список предложений:

text = ['cant railway station','citadel hotel',' police stn'].

Мне нужно сформировать биграмные пары и сохранить их в переменной. Проблема в том, что когда я это делаю, я получаю пару предложений вместо слов. Вот что я сделал:

text2 = [[word for word in line.split()] for line in text]
bigrams = nltk.bigrams(text2)
print(bigrams)

который дает

[(['cant', 'railway', 'station'], ['citadel', 'hotel']), (['citadel', 'hotel'], ['police', 'stn'])

Не может железнодорожный вокзал и отель цитадель образуют один биграмм. Что я хочу это

[([cant],[railway]),([railway],[station]),([citadel,hotel]), and so on...

Последнее слово первого предложения не должно сливаться с первым словом второго предложения. Что я должен сделать, чтобы это работало?

Источник

8 ответов

Решение

Используя списки и zip:

>>> text = ["this is a sentence", "so is this one"]
>>> bigrams = [b for l in text for b in zip(l.split(" ")[:-1], l.split(" ")[1:])]
>>> print(bigrams)
[('this', 'is'), ('is', 'a'), ('a', 'sentence'), ('so', 'is'), ('is', 'this'), ('this',     
'one')]
Источник 
from nltk import word_tokenize 
from nltk.util import ngrams


text = ['cant railway station', 'citadel hotel', 'police stn']
for line in text:
    token = nltk.word_tokenize(line)
    bigram = list(ngrams(token, 2)) 

    # the '2' represents bigram...you can change it to get ngrams with different size
Источник

Вместо того, чтобы превращать текст в списки строк, начните с каждого предложения отдельно в виде строки. Я также удалил знаки препинания и стоп-слова, просто удалите эти части, если они не имеют отношения к вам:

import nltk
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer
from nltk.tokenize import WordPunctTokenizer
from nltk.collocations import BigramCollocationFinder
from nltk.metrics import BigramAssocMeasures

def get_bigrams(myString):
    tokenizer = WordPunctTokenizer()
    tokens = tokenizer.tokenize(myString)
    stemmer = PorterStemmer()
    bigram_finder = BigramCollocationFinder.from_words(tokens)
    bigrams = bigram_finder.nbest(BigramAssocMeasures.chi_sq, 500)

    for bigram_tuple in bigrams:
        x = "%s %s" % bigram_tuple
        tokens.append(x)

    result = [' '.join([stemmer.stem(w).lower() for w in x.split()]) for x in tokens if x.lower() not in stopwords.words('english') and len(x) > 8]
    return result

Чтобы использовать это, сделайте так:

for line in sentence:
    features = get_bigrams(line)
    # train set here

Обратите внимание, что это идет немного дальше и на самом деле статистически оценивает биграммы (что пригодится при обучении модели).

Источник

Без нлтк:

ans = []
text = ['cant railway station','citadel hotel',' police stn']
for line in text:
    arr = line.split()
    for i in range(len(arr)-1):
        ans.append([[arr[i]], [arr[i+1]]])


print(ans) #prints: [[['cant'], ['railway']], [['railway'], ['station']], [['citadel'], ['hotel']], [['police'], ['stn']]]
Источник 
>>> text = ['cant railway station','citadel hotel',' police stn']
>>> bigrams = [(ele, tex.split()[i+1]) for tex in text  for i,ele in enumerate(tex.split()) if i < len(tex.split())-1]
>>> bigrams
[('cant', 'railway'), ('railway', 'station'), ('citadel', 'hotel'), ('police', 'stn')]

Использование функции перечисления и разбиения.

Источник

Прочитайте набор данных

df = pd.read_csv('dataset.csv', skiprows = 6, index_col = "No")

Соберите все доступные месяцы

df["Month"] = df["Date(ET)"].apply(lambda x : x.split('/')[0])

Создавайте токены всех твитов в месяц

tokens = df.groupby("Month")["Contents"].sum().apply(lambda x : x.split(' '))

Создавайте биграммы в месяц

bigrams = tokens.apply(lambda x : list(nk.ngrams(x, 2)))

Считать биграммы в месяц

count_bigrams = bigrams.apply(lambda x : list(x.count(item) for item in x))

Оберните результат в аккуратные кадры данных

month1 = pd.DataFrame(data = count_bigrams[0], index= bigrams[0], columns= ["Count"])
month2 = pd.DataFrame(data = count_bigrams[1], index= bigrams[1], columns= ["Count"])
Источник

Лучший способ - использовать функцию "zip" для создания n-граммы. Где 2 в функции диапазона - это количество граммов

test = [1,2,3,4,5,6,7,8,9]
print(test[0:])
print(test[1:])
print(list(zip(test[0:],test[1:])))
%timeit list(zip(*[test[i:] for i in range(2)]))

о / п:

[1, 2, 3, 4, 5, 6, 7, 8, 9]  
[2, 3, 4, 5, 6, 7, 8, 9]  
[(1, 2), (2, 3), (3, 4), (4, 5), (5, 6), (6, 7), (7, 8), (8, 9)]  
1000000 loops, best of 3: 1.34 µs per loop
Источник

Просто исправляю код Дэна:

def get_bigrams(myString):
    tokenizer = WordPunctTokenizer()
    tokens = tokenizer.tokenize(myString)
    stemmer = PorterStemmer()
    bigram_finder = BigramCollocationFinder.from_words(tokens)
    bigrams = bigram_finder.nbest(BigramAssocMeasures.chi_sq, 500)

    for bigram_tuple in bigrams:
        x = "%s %s" % bigram_tuple
        tokens.append(x)

    result = [' '.join([stemmer.stem(w).lower() for w in x.split()]) for x in tokens if x.lower() not in stopwords.words('english') and len(x) > 8]
    return result
Источник

Я думаю, что лучший и наиболее общий способ сделать это следующий:

n      = 2
ngrams = []

for l in L:
    for i in range(n,len(l)+1):
        ngrams.append(l[i-n:i])

или другими словами:

ngrams = [ l[i-n:i] for l in L for i in range(n,len(l)+1) ]

Это должно работать для любого n и любая последовательность l. Если нет n грамм длиныn он возвращает пустой список.

Источник

Есть несколько способов решить это, но я решил таким образом:

>>text = ['cant railway station','citadel hotel',' police stn']
>>text2 = [[word for word in line.split()] for line in text]
>>text2
[['cant', 'railway', 'station'], ['citadel', 'hotel'], ['police', 'stn']]
>>output = []
>>for i in range(len(text2)):
    output = output+list(bigrams(text2[i]))
>>#Here you can use list comphrension also
>>output
[('cant', 'railway'), ('railway', 'station'), ('citadel', 'hotel'), ('police', 'stn')]
Источник
Другие вопросы по тегам