python - NLTK 双字母查找器的问题

Question

我有一个标签为“all.txt”的文本文件，它包含一个普通的英文段落

出于某种原因，当我运行这段代码时:

    import nltk
    from nltk.collocations import *
    bigram_measures = nltk.collocations.BigramAssocMeasures()
    trigram_measures = nltk.collocations.TrigramAssocMeasures()

    # change this to read in your data                                                                                                                                                   
    finder = BigramCollocationFinder.from_words(('all.txt'))

    # only bigrams that appear 3+ times                                                                                                                                                  
    #finder.apply_freq_filter(3)                                                                                                                                                         

    # return the 10 n-grams with the highest PMI                                                                                                                                         
    print finder.nbest(bigram_measures.pmi, 10)

我得到以下结果:

       [('.', 't'), ('a', 'l'), ('l', '.'), ('t', 'x'), ('x', 't')]

我做错了什么，因为我只收到信件？我要找的是单词而不是字母!

这是“all.txt”中内容的示例，因此您可以了解正在处理的内容: “反对这项计划的不仅仅是民主党人。全国各地的美国人都表示反对这项计划。我的民主党同事和我有一个更好的计划，将加强道德规则，以提高国会的问责制，并确保立法得到了适当的考虑。共和党的计划未能弥补漏洞，允许在成员阅读之前考虑立法。”

Answer 1

第一个问题是您实际上并没有读入文件，您只是将包含文件路径的字符串传递给函数，第二个问题是您首先需要使用分词器。解决第二个问题:

from nltk.tokenize import word_tokenize
finder = BigramCollocationFinder.from_words(word_tokenize("This is a test sentence"))
print finder.nbest(bigram_measures.pmi, 10)

产生 [('This', 'is'), ('a', 'test'), ('is', 'a'), ('test', 'sentence')]

请注意，您可能想要使用不同的分词器——分词包文档将对各种选项进行更多解释。

在第一种情况下，您可以使用如下内容:

with open('all.txt', 'r') as data_file:
    finder = BigramCollocationFinder.from_words(word_tokenize(data_file.read())