Python - 过滤重复的单词

很多时候，我们需要仅针对文件中存在的唯一单词来分析文本。 因此，我们需要从文本中消除重复的单词。 这是通过使用词标记化和 nltk 中可用的集合函数来实现的。

不保留顺序

在下面的示例中，我们首先将句子标记为单词。 然后我们应用 set() 函数创建一个无序的唯一元素集合。 结果包含未排序的唯一单词。

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

当我们运行上面的程序时，得到以下输出 −

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

保留顺序

为了在删除重复项后仍保留单词在句子中的顺序，我们读取单词并通过附加将其添加到列表中。

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        

当我们运行上面的程序时，得到以下输出 −

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