在自然语言处理中,通常使用n-grams
从句子中提取常见模式和序列。 在Python中,你可以使用优秀的NLTK
模块。
要计算和查找最常见的,可以使用collections.Counter
。
下面是2-克例如:
from nltk.util import ngrams
from collections import Counter
from itertools import chain
string1="once upon a time there was a very large giant called Jack"
string2="a very long time ago was a very brave young man called Jack"
n = 2
ngrams1= ngrams(string1.split(" "), n)
ngrams2= ngrams(string2.split(" "), n)
counter= Counter(chain(ngrams1,ngrams2)) #count occurrences of each n-gram
print [k[0] for k,v in counter.items() if v>1] #print all ngrams that come up more than once
输出:
[('called', 'Jack'), ('was', 'a'), ('a', 'very')]
输出与n=3
:
[('was', 'a', 'very')]
输出与n=1
(无元组):
['Jack', 'a', 'was', 'time', 'called', 'very']
我认为这里不需要正则表达式。 – 2014-09-22 15:23:02
效率取决于你问的对象,因开发者的不同而不同。但就你而言,我想说在列表中混合使用单个单词和短语不会很有效。也许将每个单词存储到数据库中(或者创建自己的数据类型)并跟踪每个单词前后的内容...对您而言可能有效或不可能有效。 – 2014-09-22 15:30:02