Python - filtruj zduplikowane słowa

Wiele razy musimy analizować tekst tylko pod kątem unikalnych słów obecnych w pliku. Musimy więc wyeliminować zduplikowane słowa z tekstu. Osiąga się to za pomocą tokenizacji słów i funkcji zestawów dostępnych w nltk.

Bez zachowania kolejności

W poniższym przykładzie najpierw tokenizujemy zdanie na słowa. Następnie stosujemy funkcję set (), która tworzy nieuporządkowaną kolekcję unikalnych elementów. Wynik zawiera unikalne słowa, które nie są uporządkowane.

import nltk
word_data = "The Sky is blue also the ocean is blue also Rainbow has a blue colour." 
# First Word tokenization
nltk_tokens = nltk.word_tokenize(word_data)
# Applying Set
no_order = list(set(nltk_tokens))
print no_order

Po uruchomieniu powyższego programu otrzymujemy następujące dane wyjściowe -

['blue', 'Rainbow', 'is', 'Sky', 'colour', 'ocean', 'also', 'a', '.', 'The', 'has', 'the']

Zachowanie porządku

Aby uzyskać słowa po usunięciu duplikatów, ale nadal zachowując kolejność słów w zdaniu, czytamy słowa i dodajemy je do listy, dołączając je.

import nltk
word_data = "The Sky is blue also the ocean is blue also Rainbow has a blue colour." 
# First Word tokenization
nltk_tokens = nltk.word_tokenize(word_data)
ordered_tokens = set()
result = []
for word in nltk_tokens:
    if word not in ordered_tokens:
        ordered_tokens.add(word)
        result.append(word)
     
print result

Po uruchomieniu powyższego programu otrzymujemy następujące dane wyjściowe -

['The', 'Sky', 'is', 'blue', 'also', 'the', 'ocean', 'Rainbow', 'has', 'a', 'colour', '.']