Python - 单词标记化

单词标记化是将大量文本样本拆分成单词的过程。这是自然语言处理任务中的一项要求，其中需要捕获每个单词并进行进一步分析，例如根据特定情绪对其进行分类和计数等。自然语言工具包 (NLTK) 是一个用于实现此目的的库。在继续使用 Python 单词标记化程序之前，请先安装 NLTK。

conda install -c anaconda nltk

接下来，我们使用 word_tokenize 方法将段落拆分成单个单词。

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)

当我们执行上述代码时，它会产生以下结果。

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

标记句子

我们也可以像标记单词一样标记段落中的句子。我们使用方法 sent_tokenize 来实现这一点。下面是一个例子。

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

当我们执行上述代码时，它会产生以下结果。

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