是否可以在spaCy中排除某些POS标签？python

Question

我想通过在动词前加一个“X”来标记动词在句子中的位置。我的函数采取以下步骤来实现这一点。

1. 找到动词。我使用spaCy进行POS标记。SpaCy输出一个我称之为pos的POS标签列表，其中句子中的每个单词都表示为一个标签。
2. 将句子也转换为列表L。
3. 确定POS列表中动词标签（例如"VBZ"）的索引x。
4. 在索引x处插入所需的“X”标记到句子列表中。

第4步假设列表pos的长度与句子列表L的长度相同。通常情况下是这样的，除非spaCy将标签分配给Python没有单独索引的句子元素。在这种情况下，POS列表比句子列表长。例如，spaCy将单词“.”后面的括号“（”或句号视为单独的位置，而Python没有。因此，“X”在句子中错位了。

如何解决这个问题？

下面是一个例子。

import pandas as pd
import spacy
nlp = spacy.load('en')

s = "Dr. John (a fictional chartacter) never shakes hands."
df = pd.DataFrame({'sentence':[s]})
k = df['sentence']

def marking(row):
    L = row
    sentence_spacy = nlp(L)
    pos = [] # store the pos tags in a list 'pos'
    for token in sentence_spacy:
        pos.append(token.tag_)
        print(pos)
    if "VBZ" in pos:
        x = pos.index("VBZ")
        L = L.split()
        L.insert(x, "X")
        L = " ".join(L) # split the sentence also in a list
        print(L)
        return L
x = k.apply(marking)
print(x)    

这使得：

pos = ['NNP', 'NNP', '-LRB-', 'DT', 'JJ', 'NN', '-RRB-', 'RB', 'VBZ', 'NNS', '.']
L = ['Dr.', 'John', '(a', 'fictional', 'chartacter)', 'never', 'shakes', 'hands.']

由于pos listpos比句子listL长，结果是：

 x = "Dr. John (a fictional chartacter) never shakes hands. X"

但我想要这个：

x = "Dr. John (a fictional chartacter) never X shakes hands."

我的问题有两个方面：

>

是否可以在spaCy中排除某些POS标签？例如，我是否可以排除['-LRB-'、'-RRB-'等]？这将使长度pos==长度L

如果这是不可能的，我应该如何更改我的功能，以便可以指定从POS中删除的POS标签列表['-LRB-'，'-RRB-'等]，从而使POS列表的长度与句子列表的长度相同？

Answer 1

令牌化比拆分更复杂。即使丢弃令牌也不会使拆分对应于spaCy的令牌（尝试nlp（'non-平凡'））。幸运的是，有一个更好的方法：您可以从令牌中重建句子并在所需的位置插入您的标记：

def marking(row):
    chunks = []
    for token in nlp(row):
        if token.tag_ == 'VBZ':
            chunks.append('X')
        chunks.append(token.text_with_ws)
    return ' '.join(chunks)

print(marking("Dr. John (a fictional chartacter) never shakes hands."))