Tengo este script que hace una búsqueda de palabras en el texto. La búsqueda va bastante bien y los resultados funcionan como se esperaba. Lo que estoy tratando de lograr es extraer n palabras cerca del partido. Por ejemplo:
El mundo es un lugar pequeño, debemos tratar de cuidarlo.
- Buscar / reemplazar una URL en el documento usando expresiones regulares de Python
- ¿Cómo puede detectar si dos expresiones regulares se superponen en las cadenas que pueden coincidir?
- Cadena de masa reemplazar en python?
- Cómo analizar tags personalizadas usando nltk.Regexp.parser ()
- Expresión regular de Python para int con al menos 4 dígitos
Supongamos que estoy buscando un place y necesito extraer las 3 palabras de la derecha y las 3 palabras de la izquierda. En este caso serían:
left -> [is, a, small] right -> [we, should, try]
¿Cuál es el mejor enfoque para hacer esto?
¡Gracias!
def search(text,n): '''Searches for text, and retrieves n words either side of the text, which are retuned seperatly''' word = r"\W*([\w]+)" groups = re.search(r'{}\W*{}{}'.format(word*n,'place',word*n), text).groups() return groups[:n],groups[n:]
Esto le permite especificar cuántas palabras en cada lado desea capturar. Funciona construyendo dinámicamente la expresión regular. Con
t = "The world is a small place, we should try to take care of it." search(t,3) (('is', 'a', 'small'), ('we', 'should', 'try'))
Encuentra todas las palabras:
import re sentence = 'The world is a small place, we should try to take care of it.' words = re.findall(r'\w+', sentence)
Obtén el índice de la palabra que estás buscando:
index = words.index('place')
Y luego usa rebanar para encontrar los otros:
left = words[index - 3:index] right = words[index + 1:index + 4]
import re s='The world is a small place, we should try to take care of it.' m = re.search(r'((?:\w+\W+){,3})(place)\W+((?:\w+\W+){,3})', s) if m: l = [ x.strip().split() for x in m.groups()] left, right = l[0], l[2] print left, right
Salida
['is', 'a', 'small'] ['we', 'should', 'try']
Si buscas The , se obtiene:
[] ['world', 'is', 'a']
Si bien la expresión regular funcionaría, creo que es excesivo para este problema. Estás mejor con dos listas de comprensión:
sentence = 'The world is a small place, we should try to take care of it.'.split() indices = (i for i,word in enumerate(sentence) if word=="place") neighbors = [] for ind in indices: neighbors.append(sentence[ind-3:ind]+sentence[ind+1:ind+4])
Tenga en cuenta que si la palabra que está buscando aparece varias veces consecutivamente en la oración, este algoritmo incluirá las ocurrencias consecutivas como vecinos.
Por ejemplo:
En [29]: vecinos = []
En [30]: frase = ‘El mundo es un lugar de lugar pequeño, debemos tratar de cuidarlo’. Split ()
En [31]: sentencia Out [31]: [‘The’, ‘world’, ‘is’, ‘a’, ‘small’, ‘place’, ‘place’, ‘place,’, ‘we’, ‘ debería ‘,’ intentar ‘,’ a ‘,’ tomar ‘,’ cuidar ‘,’ de ‘,’ ‘.
In [32]: indices = [i for i,word in enumerate(sentence) if word == 'place'] In [33]: for ind in indices: ....: neighbors.append(sentence[ind-3:ind]+sentence[ind+1:ind+4]) In [34]: neighbors Out[34]: [['is', 'a', 'small', 'place', 'place,', 'we'], ['a', 'small', 'place', 'place,', 'we', 'should']]