Como se livrar da pontuação usando o tokenizer NLTK?

Estou começando a usar o NLTK e não entendo como obter uma lista de palavras do texto. Se eu usar nltk.word_tokenize(), recebo uma lista de palavras e pontuação. Eu preciso apenas das palavras. Como posso me livrar da pontuação? Também word_tokenizenão funciona com várias frases: pontos são adicionados à última palavra.

Dê uma olhada nas outras opções de tokenização que o nltk fornece aqui . Por exemplo, você pode definir um tokenizador que seleciona sequências de caracteres alfanuméricos como tokens e descarta todo o resto:

from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer(r'\w+')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

Resultado:

['Eighty', 'seven', 'miles', 'to', 'go', 'yet', 'Onward']

Você realmente não precisa do NLTK para remover a pontuação. Você pode removê-lo com python simples. Para strings:

import string
s = '... some string with punctuation ...'
s = s.translate(None, string.punctuation)

Ou para unicode:

import string
translate_table = dict((ord(char), None) for char in string.punctuation)   
s.translate(translate_table)

e use essa string no seu tokenizer.

O módulo de string PS possui alguns outros conjuntos de elementos que podem ser removidos (como dígitos).

O código abaixo removerá todos os sinais de pontuação e os caracteres não alfabéticos. Copiado do livro deles.

http://www.nltk.org/book/ch01.html

import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time. @ sd  4 232"

words = nltk.word_tokenize(s)

words=[word.lower() for word in words if word.isalpha()]

print(words)

resultado

['i', 'ca', 'do', 'this', 'now', 'because', 'i', 'so', 'tired', 'please', 'give', 'me', 'some', 'time', 'sd']

Conforme observado nos comentários, comece com sent_tokenize (), porque o word_tokenize () funciona apenas em uma única frase. Você pode filtrar a pontuação com filter (). E se você tiver uma string unicode, verifique se é um objeto unicode (não uma 'str' codificada com alguma codificação como 'utf-8').

from nltk.tokenize import word_tokenize, sent_tokenize

text = '''It is a blue, small, and extraordinary ball. Like no other'''
tokens = [word for sent in sent_tokenize(text) for word in word_tokenize(sent)]
print filter(lambda word: word not in ',-', tokens)

Acabei de usar o código a seguir, que removeu toda a pontuação:

tokens = nltk.wordpunct_tokenize(raw)

type(tokens)

text = nltk.Text(tokens)

type(text)  

words = [w.lower() for w in text if w.isalpha()]

Eu acho que você precisa de algum tipo de correspondência de expressão regular (o código a seguir está no Python 3):

import string
import re
import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time."
l = nltk.word_tokenize(s)
ll = [x for x in l if not re.fullmatch('[' + string.punctuation + ']+', x)]
print(l)
print(ll)

Resultado:

['I', 'ca', "n't", 'do', 'this', 'now', ',', 'because', 'I', "'m", 'so', 'tired', '.', 'Please', 'give', 'me', 'some', 'time', '.']
['I', 'ca', "n't", 'do', 'this', 'now', 'because', 'I', "'m", 'so', 'tired', 'Please', 'give', 'me', 'some', 'time']

Na maioria dos casos, deve funcionar bem, pois remove a pontuação e preserva tokens como "n't", que não podem ser obtidos em tokenizadores de regex, como wordpunct_tokenize.

Sinceramente perguntando, o que é uma palavra? Se você pressupõe que uma palavra consiste apenas em caracteres alfabéticos, você está errado, pois palavras como can'tserão destruídas em pedaços (como cane t) se você remover a pontuação antes da tokenização , o que provavelmente afetará negativamente o seu programa.

Portanto, a solução é tokenizar e remover os tokens de pontuação .

import string

from nltk.tokenize import word_tokenize

tokens = word_tokenize("I'm a southern salesman.")
# ['I', "'m", 'a', 'southern', 'salesman', '.']

tokens = list(filter(lambda token: token not in string.punctuation, tokens))
# ['I', "'m", 'a', 'southern', 'salesman']

... e, se desejar, você pode substituir certos tokens, como 'mpor am.

Eu uso esse código para remover a pontuação:

import nltk
def getTerms(sentences):
    tokens = nltk.word_tokenize(sentences)
    words = [w.lower() for w in tokens if w.isalnum()]
    print tokens
    print words

getTerms("hh, hh3h. wo shi 2 4 A . fdffdf. A&&B ")

E se você quiser verificar se um token é uma palavra válida em inglês ou não, pode ser necessário o PyEnchant

Tutorial:

 import enchant
 d = enchant.Dict("en_US")
 d.check("Hello")
 d.check("Helo")
 d.suggest("Helo")

Remover pontuação (isso removerá., Bem como parte do tratamento da pontuação usando o código abaixo)

        tbl = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
        text_string = text_string.translate(tbl) #text_string don't have punctuation
        w = word_tokenize(text_string)  #now tokenize the string 

Entrada / Saída de amostra:

direct flat in oberoi esquire. 3 bhk 2195 saleable 1330 carpet. rate of 14500 final plus 1% floor rise. tax approx 9% only. flat cost with parking 3.89 cr plus taxes plus possession charger. middle floor. north door. arey and oberoi woods facing. 53% paymemt due. 1% transfer charge with buyer. total cost around 4.20 cr approx plus possession charges. rahul soni

['direct', 'flat', 'oberoi', 'esquire', '3', 'bhk', '2195', 'saleable', '1330', 'carpet', 'rate', '14500', 'final', 'plus', '1', 'floor', 'rise', 'tax', 'approx', '9', 'flat', 'cost', 'parking', '389', 'cr', 'plus', 'taxes', 'plus', 'possession', 'charger', 'middle', 'floor', 'north', 'door', 'arey', 'oberoi', 'woods', 'facing', '53', 'paymemt', 'due', '1', 'transfer', 'charge', 'buyer', 'total', 'cost', 'around', '420', 'cr', 'approx', 'plus', 'possession', 'charges', 'rahul', 'soni']

Apenas adicionando à solução por @rmalouf, isso não incluirá nenhum número porque \ w + é equivalente a [a-zA-Z0-9_]

from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'[a-zA-Z]')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

Você pode fazer isso em uma linha sem o nltk (python 3.x).

import string
string_text= string_text.translate(str.maketrans('','',string.punctuation))