Question

我需要在大型数据集上运行nltk.pos_tag，并且需要输出类似斯坦福标记器提供的输出。

例如，在运行以下代码时，我有;

import nltk
text=nltk.word_tokenize("We are going out.Just you and me.")
print nltk.pos_tag(text)

输出是： [（'我们'，'PRP'），（'是'，'VBP'），（'去'，'VBG'），（'out.Just'，'IN'），（'你'，'PRP） '），（'和'，'CC'），（'我'，'PRP'），（'。'，'。'）]

在我需要它的情况下：

 We/PRP are/VBP going/VBG out.Just/NN you/PRP and/CC me/PRP ./.

我更喜欢不使用字符串函数并且需要直接输出，因为文本量太高而且会给处理增加很多时间复杂度

Answer 1

简而言之：

' '.join([word + '/' + pos for word, pos in tagged_sent]

长期：

我认为你过分思考使用字符串函数来连接字符串，它真的不那么昂贵。

import time
from nltk.corpus import brown

tagged_corpus = brown.tagged_sents()

start = time.time()

with open('output.txt', 'w') as fout:
    for i, sent in enumerate(tagged_corpus):
        print(' '.join([word + '/' + pos for word, pos in sent]), end='\n', file=fout)

end = time.time() - start
print (i, end)

我的笔记本电脑花了2.955秒来处理棕色语料库中的所有57339个句子。

[OUT]：

$ head -n1 output.txt 
The/AT Fulton/NP-TL County/NN-TL Grand/JJ-TL Jury/NN-TL said/VBD Friday/NR an/AT investigation/NN of/IN Atlanta's/NP$ recent/JJ primary/NN election/NN produced/VBD ``/`` no/AT evidence/NN ''/'' that/CS any/DTI irregularities/NNS took/VBD place/NN ./.

但是当你需要读取你的标记输出时，使用字符串连接单词和POS可能会导致麻烦，例如

>>> from nltk import pos_tag
>>> tagged_sent = pos_tag('cat / dog'.split())
>>> tagged_sent_str = ' '.join([word + '/' + pos for word, pos in tagged_sent])
>>> tagged_sent_str
'cat/NN //CD dog/NN'
>>> [tuple(wordpos.split('/')) for wordpos in tagged_sent_str.split()]
[('cat', 'NN'), ('', '', 'CD'), ('dog', 'NN')]

如果您想保存已标记的输出，然后稍后阅读，最好使用pickle保存tagged_output，例如

>>> import pickle
>>> tagged_sent = pos_tag('cat / dog'.split())
>>> with open('tagged_sent.pkl', 'wb') as fout:
...     pickle.dump(tagged_sent, fout)
... 
>>> tagged_sent = None
>>> tagged_sent
>>> with open('tagged_sent.pkl', 'rb') as fin:
...     tagged_sent = pickle.load(fin)
... 
>>> tagged_sent
[('cat', 'NN'), ('/', 'CD'), ('dog', 'NN')]

如何在字符串而不是列表中输出NLTK pos_tag？

1 个答案: