Python - токенизация слов

Токенизация слов - это процесс разбиения большого фрагмента текста на слова. Это требование в задачах обработки естественного языка, когда каждое слово необходимо захватить и подвергнуть дальнейшему анализу, например классификации и подсчету их для определенного настроения и т. Д. Набор инструментов для естественного языка (NLTK) - это библиотека, используемая для этого. Установите NLTK перед тем, как продолжить работу с программой Python для токенизации слов.

conda install -c anaconda nltk

Далее мы используем word_tokenize способ разбить абзац на отдельные слова.

import nltk

word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
nltk_tokens = nltk.word_tokenize(word_data)
print (nltk_tokens)

Когда мы выполняем приведенный выше код, он дает следующий результат.

['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
'comforts', 'of', 'their', 'drawing', 'rooms']

Токенизация предложений

Мы также можем токенизировать предложения в абзаце, как мы токенизировали слова. Мы используем методsent_tokenizeдля достижения этой цели. Ниже приведен пример.

import nltk
sentence_data = "Sun rises in the east. Sun sets in the west."
nltk_tokens = nltk.sent_tokenize(sentence_data)
print (nltk_tokens)

Когда мы выполняем приведенный выше код, он дает следующий результат.

['Sun rises in the east.', 'Sun sets in the west.']