NLTK中的实际字数

Question

NLTK书中有几个字数示例，但实际上它们不是字数而是令牌数。例如，第1章“计数词汇”说以下内容给出了单词计数：

text = nltk.Text(tokens)
len(text)

但是，事实并非如此-它给出了单词和标点计数。如何获得真实的字数（忽略标点符号）？

同样，如何获得一个单词的平均字符数？显而易见的答案是：

word_average_length =(len(string_of_text)/len(text))

但是，这将因为以下原因而关闭：

1. len（string_of_text）是一个字符数，包括空格
2. len（text）是令牌计数，不包括空格，但包括标点符号（不是单词）。

我在这里想念什么吗？这必须是非常常见的NLP任务…

Answer 1

删除标点符号

使用正则表达式过滤掉标点符号

import re
from collections import Counter

>>> text = ['this', 'is', 'a', 'sentence', '.']
>>> nonPunct = re.compile('.*[A-Za-z0-9].*')  # must contain a letter or digit
>>> filtered = [w for w in text if nonPunct.match(w)]
>>> counts = Counter(filtered)
>>> counts
Counter({'this': 1, 'a': 1, 'is': 1, 'sentence': 1})

平均字符数

对每个单词的长度求和。除以字数。

>>> float(sum(map(len, filtered))) / len(filtered)
3.75

或者，您可以利用已经进行的计数来防止重新计算。这会将单词的长度乘以我们看到它的次数，然后将所有结果相加。

>>> float(sum(len(w)*c for w,c in counts.iteritems())) / len(filtered)
3.75