Ten en cuenta que en la informática un error casi siempre tiene varias resoluciones, de igual modo nosotros aquí te enseñamos lo más óptimo y eficiente.
Solución:
Si aplica algo de teoría de conjuntos (si estoy interpretando su pregunta correctamente), verá que los trigramas que desea son simplemente elementos [2:5], [4:7], [6:8]etc de la token
lista.
Podrías generarlos así:
>>> new_trigrams = []
>>> c = 2
>>> while c < len(token) - 2:
... new_trigrams.append((token[c], token[c+1], token[c+2]))
... c += 2
>>> print new_trigrams
[('are', 'you', '?'), ('?', 'i', 'am'), ('am', 'fine', 'and')]
Probar everygrams
:
from nltk import everygrams
list(everygrams('hello', 1, 5))
[out]:
[('h',),
('e',),
('l',),
('l',),
('o',),
('h', 'e'),
('e', 'l'),
('l', 'l'),
('l', 'o'),
('h', 'e', 'l'),
('e', 'l', 'l'),
('l', 'l', 'o'),
('h', 'e', 'l', 'l'),
('e', 'l', 'l', 'o'),
('h', 'e', 'l', 'l', 'o')]
Fichas de palabras:
from nltk import everygrams
list(everygrams('hello word is a fun program'.split(), 1, 5))
[out]:
[('hello',),
('word',),
('is',),
('a',),
('fun',),
('program',),
('hello', 'word'),
('word', 'is'),
('is', 'a'),
('a', 'fun'),
('fun', 'program'),
('hello', 'word', 'is'),
('word', 'is', 'a'),
('is', 'a', 'fun'),
('a', 'fun', 'program'),
('hello', 'word', 'is', 'a'),
('word', 'is', 'a', 'fun'),
('is', 'a', 'fun', 'program'),
('hello', 'word', 'is', 'a', 'fun'),
('word', 'is', 'a', 'fun', 'program')]
lo hago así:
def words_to_ngrams(words, n, sep=" "):
return [sep.join(words[i:i+n]) for i in range(len(words)-n+1)]
Esto toma un lista de palabras como entrada y devuelve una lista de ngramas (para n dada), separados por sep
(en este caso un espacio).
valoraciones y comentarios
Más adelante puedes encontrar las acotaciones de otros usuarios, tú además tienes la opción de dejar el tuyo si dominas el tema.
¡Haz clic para puntuar esta entrada!
(Votos: 0 Promedio: 0)