正则词干提取代码解释

Question

有人能解释一下这段代码是干什么的吗？

def stemmer(word):
    [(stem,end)] = re.findall('^(.*ss|.*?)(s)?$',word)
    return stem

Answer 1

这个过程是把一个单词分成两个部分：stem（词根）和 end（词尾）。有三种情况：

1. 如果单词以 ss（或者更多的 s）结尾：那么 stem 就是整个单词，end 就是空字符串（""）。
2. 如果单词以一个 s 结尾：那么 stem 是去掉这个 s 的单词，end 就是这个 s。
3. 如果单词不以 s 结尾：那么 stem 还是整个单词，end 也是空字符串（""）。

这个过程是通过一种叫做正则表达式的工具来实现的，它可以捕捉到整个单词（因为有 ^....$ 的限制）。第一部分（也就是 stem）要么尽可能多地包含以 ss 结尾的部分（.*ss），要么如果不行的话，就尽可能少（.*?）。然后，如果有的话，最后的 s 就被当作 end 部分。

需要注意的是，在第一种情况下（尽可能多地以 ss 结尾），end 部分是不会再有额外的 s 的。