Question

NLTK书有几个单词计数的例子，但实际上它们不是字数而是令牌数。例如，第1章，Counting Vocabulary表示以下内容给出了一个单词计数：

text = nltk.Text(tokens)
len(text)

然而，它没有 - 它给出一个单词和标点符号计数。你怎么能得到真实的字数（忽略标点符号）？

同样，如何获得单词中的平均字符数？显而易见的答案是：

word_average_length =(len(string_of_text)/len(text))

然而，这将是关闭的原因：

len（string_of_text）是字符数，包括空格
len（text）是一个令牌计数，不包括空格，但包括标点符号，而不是单词。

我在这里遗漏了什么吗？这必须是一个非常常见的NLP任务......

Answer 1

删除标点符号

使用正则表达式过滤掉标点符号

import re
from collections import Counter

>>> text = ['this', 'is', 'a', 'sentence', '.']
>>> nonPunct = re.compile('.*[A-Za-z0-9].*')  # must contain a letter or digit
>>> filtered = [w for w in text if nonPunct.match(w)]
>>> counts = Counter(filtered)
>>> counts
Counter({'this': 1, 'a': 1, 'is': 1, 'sentence': 1})

平均字符数

总结每个单词的长度。除以单词数。

>>> float(sum(map(len, filtered))) / len(filtered)
3.75

或者你可以利用你已经做过的计数来阻止一些重新计算。这会将单词的长度乘以我们看到它的次数，然后将所有这些加起来。

>>> float(sum(len(w)*c for w,c in counts.iteritems())) / len(filtered)
3.75

Answer 2

使用nltk进行标记

from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'\w+')
text = "This is my text. It icludes commas, question marks? and other stuff. Also U.S.."
tokens = tokenizer.tokenize(text)

返回

['This', 'is', 'my', 'text', 'It', 'icludes', 'commas', 'question', 'marks', 'and', 'other', 'stuff', 'Also', 'U', 'S']

Answer 3

删除标点（不使用正则表达式）

使用与dhg相同的解决方案，但是测试给定令牌是字母数字形式，而不要使用正则表达式模式。

from collections import Counter

>>> text = ['this', 'is', 'a', 'sentence', '.']
>>> filtered = [w for w in text if w.isalnum()]
>>> counts = Counter(filtered)
>>> counts
Counter({'this': 1, 'a': 1, 'is': 1, 'sentence': 1})

优势：

在非英语语言中效果更好，因为"À".isalnum()为True，而bool（nonPunct.match（“à”））为False（“à”不是标点符号至少用法语）。
不需要使用re软件包。

NLTK中的真实字数

3 个答案:

删除标点符号

平均字符数

删除标点（不使用正则表达式）