Python – 过滤重复词汇

很多时候，我们要分析文本中仅出现一次的词语。所以，我们需要从文本中消除重复的单词。这可以通过在nltk中使用词汇标记和集合函数来实现。

不保留顺序

在以下示例中，我们首先将句子分词为单词。然后我们应用set()函数，它创建一个无序的独特元素集合。结果是独特的单词，它们没有排序。

import nltk
word_data = "The Sky is blue also the ocean is blue also Rainbow has a blue colour." 

# 首先进行单词分词
nltk_tokens = nltk.word_tokenize(word_data)

# 应用set
no_order = list(set(nltk_tokens))

print no_order

当我们运行上面的程序时，我们得到以下输出：

['blue', 'Rainbow', 'is', 'Sky', 'colour', 'ocean', 'also', 'a', '.', 'The', 'has', 'the']

保留顺序

要在保留句子中的单词顺序的情况下获取删除重复项后的单词，我们读取单词并将其添加到列表中。通过附加它来实现。

import nltk
word_data = "The Sky is blue also the ocean is blue also Rainbow has a blue colour." 

# 首先进行单词分词
nltk_tokens = nltk.word_tokenize(word_data)

ordered_tokens = set()
result = []
for word in nltk_tokens:
    if word not in ordered_tokens:
        ordered_tokens.add(word)
        result.append(word)

print result        

当我们运行上面的程序时，我们得到以下输出：

['The', 'Sky', 'is', 'blue', 'also', 'the', 'ocean', 'Rainbow', 'has', 'a', 'colour', '.']