与えられたリストにある単語のグループに参加する

Question

私の問題はかなりシンプルに見えますが、私はきれいな（そして効率的な）解決策を見つけられません。

私は言葉の共通のグループに対応するタプルのリストを持っている：

ngrams = [("data", "scientist"), 
      ("machine", "learning"), 
      ("c", "+"), 
      ("+", "+"), 
      ("c", "+", "+"), 
      ("research", "and", "development"), 
      ("research", "and")] 

と文：

"i am a data scientist . i do machine learning and c + + but no deep learning . i like research and development" 

私のような単一のトークン内の単語の一般的なグループを統合したいと思いますそれ：

"i am a data_scientist . i do machine_learning and c_+_+ but no deep_learning . i like research_and_development" 

私はそうするエレガントな方法があると確信していますが、私はできませんでしたind any any ..

2タプルしかない場合は、zip(sentence, sentence[:1]を繰り返しますが、ngramsに最大8タプルがあり、この解決法は扱いにくいです！

Answer 1

あなたはngramsにあなたの言葉から置換文字列のリストを構築することができます。

replace = [" ".join(x) for x in ngrams] 

をそして、そのリスト内の各要素に対して、str.replaceを使用します。

for r in replace: 
    sentence = sentence.replace(r, r.replace(" ", "_")) 

以上があるかもしれませんそれを行うには一流の方法ですが、それは私にとっては比較的簡潔で分かりやすいようです。

Answer 2

Haldeanブラウンの答えは単純ですが、私は、これはより構造的なアプローチだと思う：

ngrams = [("data", "scientist"), 
      ("machine", "learning"), 
      ("c", "+"), 
      ("+", "+"), 
      ("c", "+", "+"), 
      ("research", "and", "development"), 
      ("research", "and")] 
sent = """ 
    i am a data scientist . i do machine learning and c + + but no deep 
    learning . i like research and development 
""" 

ngrams.sort(key=lambda x: -len(x)) 
tokens = sent.split() 

out_ngrams = [] 
i_token = 0 
while i_token < len(tokens): 
    for ngram in ngrams: 
     if ngram == tuple(tokens[i_token : i_token + len(ngram)]): 
      i_token += len(ngram) 
      out_ngrams.append(ngram) 
      break 
    else: 
     out_ngrams.append((tokens[i_token],)) 
     i_token += 1 

print(' '.join('_'.join(ngram) for ngram in out_ngrams)) 

出力：

i am a data_scientist . i do machine_learning and c_+_+ but no deep learning . i like research_and_development 

ngramsソートした後：

[('c', '+', '+'), 
('research', 'and', 'development'), 
('data', 'scientist'), 
('machine', 'learning'), 
('c', '+'), 
('+', '+'), 
('research', 'and')] 

に必要なのより前に("c", "+", "+")を適用してみてください（または、通常、接頭辞よりも前のシーケンスを適用しようとする）。実際には[('c', '+'), ('+', 'a')]のような非貪欲なものが[('c', '+', '+'), ('a',)]よりも望ましいかもしれませんが、それは別の話です。上で

Answer 3

s = '' 
seq = ("c", "+", "+") 
print(s.join(seq)) 

その他の方法で参加する：何ですか