我需要确定我的句子中的所有缩写和连字符的单词开始。它们需要在被识别时打印出来。我的代码似乎不能很好地用于此标识
import re
sentence_stream2=df1['Open End Text']
for sent in sentence_stream2:
abbs_ = re.findall(r'(?:[A-Z]\.)+', sent) #abbreviations
hypns_= re.findall(r'\w+(?:-\w+)*', sent) #hyphenated words
print("new sentence:")
print(sent)
print(abbs_)
print(hypns_)
我的语料库中有一句话是: 带API和;使用云数据分析环境自助BI的事件驱动体系结构
其输出为:
new sentence:
DevOps with APIs & event-driven architecture using cloud Data Analytics environment Self-service BI
[]
['DevOps', 'with', 'APIs', 'event-driven', 'architecture', 'using', 'cloud', 'Data', 'Analytics', 'environment', 'Self-service', 'BI']
预期输出为:
new sentence:
DevOps with APIs & event-driven architecture using cloud Data Analytics environment Self-service BI
['APIs','BI']
['event-driven','Self-service']
您的缩写规则不匹配。如果要查找连续大写字母超过1个的单词,可以使用以下规则:
这将匹配API和BI
输出:
这很可能找不到像这样的所有缩写
所以你可能需要使用更多的数据和f.e.http://www.regex101.com来调整它
我建议:
“如你所知,在我的课程中,我得到了一切”
“As”是缩写吗?如果不是,那么您需要丢弃单个大写字母后跟或不后跟Ss,并且只收集至少对,可选地后跟一个s,如api中所示。所以
需要确保你不会因为中间的AG对而收获诸如iNoNaGiRL之类的东西。然后您必须得到缩写:一个单词(\w+),后跟至少一个连字符单词序列:
相关问题 更多 >
编程相关推荐