Python单词标记化

2024年2月26日 255次阅读 来源: Python数据科学

单词标记是将大量文本样本分解为单词的过程。 这是自然语言处理任务中的一项要求，每个单词需要被捕获并进行进一步的分析，如对特定情感进行分类和计数等。自然语言工具包(NLTK)是用于实现这一目的的库。 在继续使用python程序进行字词标记之前，先安装NLTK。

conda install -c anaconda nltk

接下来，使用word_tokenize方法将段落拆分为单个单词。

import nltk

word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
nltk_tokens = nltk.word_tokenize(word_data)
print (nltk_tokens)

当我们执行上面的代码时，它会产生以下结果。

['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
'comforts', 'of', 'their', 'drawing', 'rooms']

标记句子

还可以在段落中标记句子，就像标记单词一样。使用send_tokenize方法来实现这一点。 下面是一个例子。

import nltk
sentence_data = "Sun rises in the east. Sun sets in the west."
nltk_tokens = nltk.sent_tokenize(sentence_data)
print (nltk_tokens)

当我们执行上面的代码时，它会产生以下结果。

['Sun rises in the east.', 'Sun sets in the west.']

        原文作者：Python数据科学
        原文地址: https://www.yiibai.com/python_data_science/python_word_tokenization.html
        本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
    点赞