NLTKトークナイザーを使用して句読点を取り除く方法は？

私はNLTKを使い始めたばかりで、テキストから単語のリストを取得する方法がよくわかりません。を使用するとnltk.word_tokenize()、単語と句読点のリストが表示されます。代わりに言葉だけが必要です。句読点を取り除くにはどうすればよいですか？またword_tokenize、複数の文では機能しません。ドットは最後の単語に追加されます。

ここでnltkが提供する他のトークン化オプションを見てください。たとえば、英数字のシーケンスをトークンとして取り出し、それ以外のものをすべてドロップするトークナイザーを定義できます。

from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer(r'\w+')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

出力：

['Eighty', 'seven', 'miles', 'to', 'go', 'yet', 'Onward']

句読点を削除するためにNLTKは実際には必要ありません。シンプルなpythonで削除できます。文字列の場合：

import string
s = '... some string with punctuation ...'
s = s.translate(None, string.punctuation)

またはユニコードの場合：

import string
translate_table = dict((ord(char), None) for char in string.punctuation)   
s.translate(translate_table)

次に、この文字列をトークナイザーで使用します。

PS文字列モジュールには、削除できる他の要素のセット（数字など）があります。

以下のコードは、すべての句読点と非アルファベット文字を削除します。彼らの本からコピーした。

http://www.nltk.org/book/ch01.html

import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time. @ sd  4 232"

words = nltk.word_tokenize(s)

words=[word.lower() for word in words if word.isalpha()]

print(words)

出力

['i', 'ca', 'do', 'this', 'now', 'because', 'i', 'so', 'tired', 'please', 'give', 'me', 'some', 'time', 'sd']

コメントで気づいたように、word_tokenize（）は1つの文でのみ機能するため、sent_tokenize（）で始まります。filter（）を使用して句読点を除外できます。また、Unicode文字列がある場合は、それがUnicodeオブジェクトであることを確認してください（「utf-8」などのエンコーディングでエンコードされた「str」ではありません）。

from nltk.tokenize import word_tokenize, sent_tokenize

text = '''It is a blue, small, and extraordinary ball. Like no other'''
tokens = [word for sent in sent_tokenize(text) for word in word_tokenize(sent)]
print filter(lambda word: word not in ',-', tokens)

次のコードを使用して、句読点をすべて削除しました。

tokens = nltk.wordpunct_tokenize(raw)

type(tokens)

text = nltk.Text(tokens)

type(text)  

words = [w.lower() for w in text if w.isalpha()]

何らかの正規表現マッチングが必要だと思います（次のコードはPython 3にあります）。

import string
import re
import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time."
l = nltk.word_tokenize(s)
ll = [x for x in l if not re.fullmatch('[' + string.punctuation + ']+', x)]
print(l)
print(ll)

出力：

['I', 'ca', "n't", 'do', 'this', 'now', ',', 'because', 'I', "'m", 'so', 'tired', '.', 'Please', 'give', 'me', 'some', 'time', '.']
['I', 'ca', "n't", 'do', 'this', 'now', 'because', 'I', "'m", 'so', 'tired', 'Please', 'give', 'me', 'some', 'time']

などの正規表現トークナイザーから取得できない「n't」などのトークンを保持しながら句読点を削除するため、ほとんどの場合にうまく機能しwordpunct_tokenizeます。

心からお伺いしますが、一言とは？単語がアルファベット文字のみで構成されていると想定している場合は、トークン化の前に句読点を削除するとcan'tなどの単語が（canおよびなどt）に分割されるため、誤りです。は、プログラムに悪影響を与える可能性が非常に高いため、です。

したがって、解決策はトークン化し、句読点トークンを削除することです。

import string

from nltk.tokenize import word_tokenize

tokens = word_tokenize("I'm a southern salesman.")
# ['I', "'m", 'a', 'southern', 'salesman', '.']

tokens = list(filter(lambda token: token not in string.punctuation, tokens))
# ['I', "'m", 'a', 'southern', 'salesman']

...そして、あなたが望むなら、次のような特定のトークンを置き換えることができます'mとam。

このコードを使用して句読点を削除します。

import nltk
def getTerms(sentences):
    tokens = nltk.word_tokenize(sentences)
    words = [w.lower() for w in tokens if w.isalnum()]
    print tokens
    print words

getTerms("hh, hh3h. wo shi 2 4 A . fdffdf. A&&B ")

トークンが有効な英語の単語であるかどうかを確認する場合は、PyEnchantが必要になる場合があります

チュートリアル：

 import enchant
 d = enchant.Dict("en_US")
 d.check("Hello")
 d.check("Helo")
 d.suggest("Helo")

句読点を削除します（以下のコードを使用して。と句読点の処理の一部を削除します）

        tbl = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
        text_string = text_string.translate(tbl) #text_string don't have punctuation
        w = word_tokenize(text_string)  #now tokenize the string 

入力/出力の例：

direct flat in oberoi esquire. 3 bhk 2195 saleable 1330 carpet. rate of 14500 final plus 1% floor rise. tax approx 9% only. flat cost with parking 3.89 cr plus taxes plus possession charger. middle floor. north door. arey and oberoi woods facing. 53% paymemt due. 1% transfer charge with buyer. total cost around 4.20 cr approx plus possession charges. rahul soni

['direct', 'flat', 'oberoi', 'esquire', '3', 'bhk', '2195', 'saleable', '1330', 'carpet', 'rate', '14500', 'final', 'plus', '1', 'floor', 'rise', 'tax', 'approx', '9', 'flat', 'cost', 'parking', '389', 'cr', 'plus', 'taxes', 'plus', 'possession', 'charger', 'middle', 'floor', 'north', 'door', 'arey', 'oberoi', 'woods', 'facing', '53', 'paymemt', 'due', '1', 'transfer', 'charge', 'buyer', 'total', 'cost', 'around', '420', 'cr', 'approx', 'plus', 'possession', 'charges', 'rahul', 'soni']

@rmaloufによってソリューションに追加するだけで、\ w +は[a-zA-Z0-9_]と同等であるため、数値は含まれません。

from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'[a-zA-Z]')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

nltk（python 3.x）なしで1行で実行できます。

import string
string_text= string_text.translate(str.maketrans('','',string.punctuation))