Question

我想通过在动词前添加'X'来标记动词在句子中的位置。我的功能采取以下步骤来实现这一目标。

找到动词。我使用spaCy进行POS标记。 SpaCy输出我称之为pos的POS标签列表，其中句子中的每个单词都表示为标签。
将句子转换为列表L。
确定POS列表中动词标记的索引x（例如"VBZ"）。
在索引x处插入所需的'X'标记到句子列表中。

步骤4假设列表pos的长度与句子列表L的长度相同。通常就是这种情况，除非spaCy将标签分配给Python不单独索引的句子元素。在这种情况下，POS列表比句子列表长。例如，spaCy看到一个括号'（'或'后面的句号'。'作为一个单独的位置，而Python则没有。结果，'X'在句子中放错位置。

如何解决这个问题？

以下是一个例子。

import pandas as pd
import spacy
nlp = spacy.load('en')

s = "Dr. John (a fictional chartacter) never shakes hands."
df = pd.DataFrame({'sentence':[s]})
k = df['sentence']

def marking(row):
    L = row
    sentence_spacy = nlp(L)
    pos = [] # store the pos tags in a list 'pos'
    for token in sentence_spacy:
        pos.append(token.tag_)
        print(pos)
    if "VBZ" in pos:
        x = pos.index("VBZ")
        L = L.split()
        L.insert(x, "X")
        L = " ".join(L) # split the sentence also in a list
        print(L)
        return L
x = k.apply(marking)
print(x)

这给出了：

pos = ['NNP', 'NNP', '-LRB-', 'DT', 'JJ', 'NN', '-RRB-', 'RB', 'VBZ', 'NNS', '.']
L = ['Dr.', 'John', '(a', 'fictional', 'chartacter)', 'never', 'shakes', 'hands.']

因为pos-list pos比句子列表L长，所以结果是：

 x = "Dr. John (a fictional chartacter) never shakes hands. X"

但我想要这个：

x = "Dr. John (a fictional chartacter) never X shakes hands."

我的问题是双重的：

是否可以在spaCy中排除某些POS标签？例如，我可以排除['-LRB - '，' - RRB - '等]吗？这将使长度为pos == length L
如果无法做到这一点，我应该如何更改我的功能，以便可以指定从['-LRB-', '-RRB-', etc.]删除的POS标记列表pos，以便list与句子列表的长度相同？

Answer 1

标记化比分割更复杂。即使丢弃令牌也不会使分割对应于spaCy的令牌（尝试nlp('non-trivial')）。幸运的是，有一种更好的方法：您可以从标记重建句子并在期望的位置插入标记：

def marking(row):
    chunks = []
    for token in nlp(row):
        if token.tag_ == 'VBZ':
            chunks.append('X')
        chunks.append(token.text_with_ws)
    return ' '.join(chunks)

print(marking("Dr. John (a fictional chartacter) never shakes hands."))

是否可以在spaCy中排除某些POS标签？蟒

1 个答案: