我想从10,000篇文章中提取包含药物和基因名称的句子

Question

我想从10,000篇文章中提取包含药物和基因名称的句子。我的代码是

import re
import glob
import fnmatch
import nltk
from nltk.tokenize import sent_tokenize, word_tokenize


flist= glob.glob ("C:/Users/Emma Belladona/Desktop/drug working/*.txt")
print (flist)
for txt in flist:
    #print (txt)
    fr = open (txt, "r")
    tmp = fr.read().strip()
    a = (sent_tokenize(tmp))
    b = (word_tokenize(tmp))
    for c, value in enumerate(a, 1):
        if value.find("SLC22A1") != -1 and value.find("Metformin"):
            print ("Result", value)
            re.findall("\w+\s?[gene]+", a)
        else:
            if value.find("Metformin") != -1 and value.find("SLC22A1"):
                print ("Results", value)
        if value.find("SLC29B2") != -1 and value.find("Metformin"):
            print ("Result", value)

我想从整篇文章中提取有基因和药物名称的句子。例如，“二甲双胍减少了对数转换的SLC22A1排泄量(从1.5860.47降至1.0060.52，p.0.001)。”总而言之，在这项对照良好的研究中，我们不能证明所研究的SLC22A1、血管紧张素转换酶、AGTR1和ADD1的多态性与二甲双胍的降糖反应之间存在显著的相关性。

这段代码返回了很多句子，也就是说，如果上面的一个词出现在打印出来的句子中…！帮我写这段代码

Answer 1

您没有显示真实的代码，但是您现在拥有的代码至少有一个错误，这将导致大量虚假输出。它在这一行上：

re.findall("\w+\s?[gene]+", a)

此正则表达式不匹配包含gene的字符串，这显然是您想要的。它匹配(几乎)任何包含字母g、e或n之一的字符串。

这不可能是您真正的代码，因为a是一个列表，您会在该行得到一个错误--而且您忽略了findall()的结果！理清你的问题，让它反映现实。如果您的问题仍未解决，请编辑您的问题，并至少包括一句是输出的一部分但您不希望看到的句子。

Answer 2

执行此操作时：

if value.find("SLC22A1") != -1 and value.find("Metformin"):

你可能想要这个：

if value.find("SLC22A1") != -1 and value.find("Metformin") != -1:

由于返回值的原因，这个find方法很容易出错，而且您不关心位置，所以最好使用in。

if "SLC22A1" in vlow and "metformin" in value.lower():

Answer 3

我会采取一种不同的方法：

1. 读入文本文件
2. 将文本文件拆分成句子。请查看https://stackoverflow.com/a/28093215/223543，了解手动实现这一点的方法。或者，您可以使用ntlk.tokenizer.punkt模块。(在亚历克西斯在下面的评论中给我指出了正确的方向后进行了编辑)。
3. 检查我是否在每句话中找到了你的关键术语，如果找到了，就打印出来。

只要你的文本文件格式良好，这应该是可行的。