如何将不同的文本分组为python

Question

我有一个data frame，其中包含字符串。 我想将字符串分为3类：

• 第一类是仅包含单词的字符串 定义列表，仅此而已。单词可以以任何顺序排列，只要字符串仅包含该列表中的单词即可。此外，它不必包括列表中的所有单词。
• 除了其他类别，第二类别是第一类别 可能不在列表中的单词。
• 第三类是不是前两个的所有内容 类别

我首先通过删除所有标点符号并将文本转换为小写来清理数据。

示例：

list = ["dog name", "dog age", "dog breed"]

要使其属于第一类，它的字符串应看起来像这样：

"dog name dog age dog breed".

或

"dog age dog name"

要归入 second类别，其字符串应类似于以下内容：

  "dog name suzie dog age 4 dog breed pug" 

或

"dog name suzie dog breed pug"

要归入第三类，其字符串应类似于：

"my dogs name is suzie and she is a pug who is 4 years old"

关于如何将这些分组的任何建议/建议？

谢谢:)

Answer 1

这是给你的伪代码。

记住原始字符串orig。

从字符串中删除列表中的所有短语，并将结果放入new。

如果orig == new，您具有类别3。

否则，如果new为空，则您具有类别1。

否则，您具有类别2。

使用new= re.sub(r'\b(' + r'|'.join(list) + r')\b', orig)替换所有短语，使单词边界进入计数。 （尽管您确实不想调用变量list，因为它会遮盖Python内置类型。）