有谁知道nltk
' wordpunct_tokenize
和word_tokenize
之间的区别?我使用nltk=3.2.4
并且wordpunct_tokenize
的文字字符串上没有任何内容可以解释其中的差异。我无法在nltk
的文档中找到此信息(也许我没有在正确的位置搜索!)。我原本以为第一个会摆脱标点符号等,但它并没有。
答案 0 :(得分:16)
wordpunct_tokenize
基于简单的正则表达式标记化。它被定义为
wordpunct_tokenize = WordPunctTokenizer().tokenize
你可以找到here。基本上它使用正则表达式\w+|[^\w\s]+
来分割输入。
word_tokenize
基于TreebankWordTokenizer
,请参阅文档here。它基本上像Penn Treebank中那样标记文本。这是一个愚蠢的例子,应该说明两者有何不同。
sent = "I'm a dog and it's great! You're cool and Sandy's book is big. Don't tell her, you'll regret it! 'Hey', she'll say!"
>>> word_tokenize(sent)
['I', "'m", 'a', 'dog', 'and', 'it', "'s", 'great', '!', 'You', "'re",
'cool', 'and', 'Sandy', "'s", 'book', 'is', 'big', '.', 'Do', "n't", 'tell',
'her', ',', 'you', "'ll", 'regret', 'it', '!', "'Hey", "'", ',', 'she', "'ll", 'say', '!']
>>> wordpunct_tokenize(sent)
['I', "'", 'm', 'a', 'dog', 'and', 'it', "'", 's', 'great', '!', 'You', "'",
're', 'cool', 'and', 'Sandy', "'", 's', 'book', 'is', 'big', '.', 'Don',
"'", 't', 'tell', 'her', ',', 'you', "'", 'll', 'regret', 'it', '!', "'",
'Hey', "',", 'she', "'", 'll', 'say', '!']
正如我们所看到的,wordpunct_tokenize
将在所有特殊符号上分开,并将它们视为单独的单元。另一方面,word_tokenize
将're
之类的内容保存在一起。它似乎并不那么聪明,因为我们可以看到它无法将初始单引号与'Hey'
分开。
有趣的是,如果我们改写这样的句子(单引号为字符串分隔符,双引号为“Hey”):
sent = 'I\'m a dog and it\'s great! You\'re cool and Sandy\'s book is big. Don\'t tell her, you\'ll regret it! "Hey", she\'ll say!'
我们得到了
>>> word_tokenize(sent)
['I', "'m", 'a', 'dog', 'and', 'it', "'s", 'great', '!', 'You', "'re",
'cool', 'and', 'Sandy', "'s", 'book', 'is', 'big', '.', 'Do', "n't",
'tell', 'her', ',', 'you', "'ll", 'regret', 'it', '!', '``', 'Hey', "''",
',', 'she', "'ll", 'say', '!']
所以word_tokenize
会拆分双引号,但它也会将它们转换为``
和''
。 wordpunct_tokenize
不会这样做:
>>> wordpunct_tokenize(sent)
['I', "'", 'm', 'a', 'dog', 'and', 'it', "'", 's', 'great', '!', 'You', "'",
're', 'cool', 'and', 'Sandy', "'", 's', 'book', 'is', 'big', '.', 'Don',
"'", 't', 'tell', 'her', ',', 'you', "'", 'll', 'regret', 'it', '!', '"',
'Hey', '",', 'she', "'", 'll', 'say', '!']
答案 1 :(得分:-1)
Word_tokenize
用于标记句子中的单词,而wordpunct_tokenize
则用于去除句子中的非英语单词。