Мне нужно было вычислить униграммы, биграммы и триграммы для текстового файла, содержащего текст вроде:
«Муковисцидоз поражает 30 000 детей и молодых людей только в США. Вдыхание тумана с соленой водой может уменьшить гной и инфекцию, заполняющую дыхательные пути больных муковисцидозом, хотя побочные эффекты включают неприятный приступ кашля и резкий вкус. из двух исследований, опубликованных в выпуске Медицинского журнала Новой Англии за эту неделю ".
Я начал с Python и использовал следующий код:
#!/usr/bin/env python
# File: n-gram.py
def N_Gram(N,text):
NList = [] # start with an empty list
if N> 1:
space = " " * (N-1) # add N - 1 spaces
text = space + text + space # add both in front and back
# append the slices [i:i+N] to NList
for i in range( len(text) - (N - 1) ):
NList.append(text[i:i+N])
return NList # return the list
# test code
for i in range(5):
print N_Gram(i+1,"text")
# more test code
nList = N_Gram(7,"Here is a lot of text to print")
for ngram in iter(nList):
print '"' + ngram + '"'
http://www.daniweb.com/software-development/python/threads/39109/generating-n-grams-from-a-word.
Но это работает для всех n-граммов в слове, когда я хочу, чтобы он находился между словами, как в КИСТИКАХ и ФИБРОЗЕ или КИСТИЧЕСКИМ ФИБРОЗЕ. Может ли кто-нибудь помочь мне, как я могу это сделать?