nltkツリー（スタンフォード）をpythonでnewick形式に変換するには？

Question

私はこのスタンフォードツリーを持っており、これを新しいフォーマットに変換したいと考えています。

(ROOT 
    (S 
     (NP (DT A) (NN friend)) 
     (VP 
     (VBZ comes) 
     (NP 
      (NP (JJ early)) 
      (, ,) 
      (NP 
      (NP (NNS others)) 
      (SBAR 
       (WHADVP (WRB when)) 
       (S (NP (PRP they)) (VP (VBP have) (NP (NN time)))))))))) 

Answer 1

文字列処理を使用するだけの方法がありますが、それらを解析してnewick形式で再帰的に出力します。若干最小限の実装：

import re 

class Tree(object): 
    def __init__(self, label): 
     self.label = label 
     self.children = [] 

    @staticmethod 
    def _tokenize(string): 
     return list(reversed(re.findall(r'\(|\)|[^ \n\t()]+', string))) 

    @classmethod 
    def from_string(cls, string): 
     tokens = cls._tokenize(string) 
     return cls._tree(tokens) 

    @classmethod 
    def _tree(cls, tokens): 
     t = tokens.pop() 
     if t == '(': 
      tree = cls(tokens.pop()) 
      for subtree in cls._trees(tokens): 
       tree.children.append(subtree) 
      return tree 
     else: 
      return cls(t) 

    @classmethod 
    def _trees(cls, tokens): 
     while True: 
      if not tokens: 
       raise StopIteration 
      if tokens[-1] == ')': 
       tokens.pop() 
       raise StopIteration 
      yield cls._tree(tokens) 

    def to_newick(self): 
     if self.children and len(self.children) == 1: 
      return ','.join(child.to_newick() for child in self.children) 
     elif self.chilren: 
      return '(' + ','.join(child.to_newick() for child in self.children) + ')' 
     else: 
      return self.label 

もちろん、端末ノードだけが保持されるため、情報は変換中に失われます。使用法：

>>> s = """(ROOT (...""" 
>>> Tree.from_string(s).to_newick() 
...