web-dev-qa-db-ja.com

NLTKでpos_tagを使用する方法

だから私は次のようにリスト内の一連の単語にタグを付けようとしました（正確にはPOSタグ付け）：

pos = [nltk.pos_tag(i,tagset='universal') for i in lw]

ここで、lwは単語のリストです（非常に長いか、投稿したはずですが、[['hello'],['world']]（別名リストのリストで、各リストに1つのWordが含まれています）が、実行すると、次のようになります。

Traceback (most recent call last):
  File "<pyshell#183>", line 1, in <module>
    pos = [nltk.pos_tag(i,tagset='universal') for i in lw]
  File "<pyshell#183>", line 1, in <listcomp>
    pos = [nltk.pos_tag(i,tagset='universal') for i in lw]
  File "C:\Users\my system\AppData\Local\Programs\Python\Python35\lib\site-packages\nltk\tag\__init__.py", line 134, in pos_tag
    return _pos_tag(tokens, tagset, tagger)
  File "C:\Users\my system\AppData\Local\Programs\Python\Python35\lib\site-packages\nltk\tag\__init__.py", line 102, in _pos_tag
    tagged_tokens = tagger.tag(tokens)
  File "C:\Users\my system\AppData\Local\Programs\Python\Python35\lib\site-packages\nltk\tag\perceptron.py", line 152, in tag
    context = self.START + [self.normalize(w) for w in tokens] + self.END
  File "C:\Users\my system\AppData\Local\Programs\Python\Python35\lib\site-packages\nltk\tag\perceptron.py", line 152, in <listcomp>
    context = self.START + [self.normalize(w) for w in tokens] + self.END
  File "C:\Users\my system\AppData\Local\Programs\Python\Python35\lib\site-packages\nltk\tag\perceptron.py", line 240, in normalize
    Elif Word[0].isdigit():
IndexError: string index out of range

誰かが私にこのエラーが発生する理由と方法、およびそれを修正する方法を教えてもらえますか？どうもありがとう。

pythonnlpnltkpos-tagger
5
EighteenthVariable

まず、人間が読める変数名を使用します。これは=）に役立ちます

次に、pos_tag入力は文字列のリストです。っていうことは

>>> from nltk import pos_tag
>>> sentences = [ ['hello', 'world'], ['good', 'morning'] ]
>>> [pos_tag(sent) for sent in sentences]
[[('hello', 'NN'), ('world', 'NN')], [('good', 'JJ'), ('morning', 'NN')]]

また、入力が生の文字列の場合は、Word_tokenizeの前にpos_tagを使用できます。

>>> from nltk import pos_tag, Word_tokenize
>>> a_sentence = 'hello world'
>>> Word_tokenize(a_sentence)
['hello', 'world']
>>> pos_tag(Word_tokenize(a_sentence))
[('hello', 'NN'), ('world', 'NN')]

>>> two_sentences = ['hello world', 'good morning']
>>> [Word_tokenize(sent) for sent in two_sentences]
[['hello', 'world'], ['good', 'morning']]
>>> [pos_tag(Word_tokenize(sent)) for sent in two_sentences]
[[('hello', 'NN'), ('world', 'NN')], [('good', 'JJ'), ('morning', 'NN')]]

そして、段落に文があれば、sent_tokenizeを使用して文を分割できます。

>>> from nltk import sent_tokenize, Word_tokenize, pos_tag
>>> text = "Hello world. Good morning."
>>> sent_tokenize(text)
['Hello world.', 'Good morning.']
>>> [Word_tokenize(sent) for sent in sent_tokenize(text)]
[['Hello', 'world', '.'], ['Good', 'morning', '.']]
>>> [pos_tag(Word_tokenize(sent)) for sent in sent_tokenize(text)]
[[('Hello', 'NNP'), ('world', 'NN'), ('.', '.')], [('Good', 'JJ'), ('morning', 'NN'), ('.', '.')]]

参照： PythonでNLTK POSタガーを使用してPOSタギングを行う方法？

7
alvas

Posタグでドキュメントを解析する一般的な関数、

def get_pos(string):
    string = nltk.Word_tokenize(string)
    pos_string = nltk.pos_tag(string)
    return pos_string

get_post(sentence)

お役に立てれば ！

1
Vivek Ananthan

入力が生の文字列の場合は、Word_tokenizeの前にpos_tagを使用できます。

import nltk

is_noun = lambda pos: pos[:2] == 'NN'

lines = 'You can never plan the future by the past'

lines = lines.lower()
tokenized = nltk.Word_tokenize(lines)
nouns = [Word for (Word, pos) in nltk.pos_tag(tokenized) if is_noun(pos)]

print(nouns) # ['future', 'past']
0
MOHA OUSAID SAAID