在特定元素的实例之后从列表中提取相同的元素块

Question

我试图从列表中提取顺序的'NN‘元素(包括'NNP')，并在“NN”之前添加到一个新的列表中，即“IN”或“to”。我该怎么做呢？

我尝试了下面的代码。但无法捕捉到其他类似的例子。

    new = ['JJ',
 'NN',
 'IN',
 'NNP',
 'NN',
 'MD',
 'VB',
 'VBN',
 'IN',
 'NN',
 'TO',
 'VB',
 'NN',
 'CC',
 'NN',
 'TO',
 'NNP',
 'NN',
 'NN',
 '.']

lst = []
for i,j in enumerate(new):
    lst1 = []
    if j == 'IN':
        for i in new[i+1:]:
            if 'NN' in i:
                lst1.append(i)
                lst.append(lst1)
                break

lst = [['NNP'], ['NN']]

但是，我希望改进代码以提供以下输出：

[['NNP', 'NN'], ['NN'], ['NNP', 'NN', 'NN']

每个输出块都有“IN”或“TO”出现在它们之前。

实际上，上面的列表(新的)是这个列表的基本词类：

[['Additional',
  'condition',
  'of',
  'DeNOx',
  'activation',
  'shall',
  'be',
  'introduced',
  'in',
  'order',
  'to',
  'provide',
  'flexibility',
  'and',
  'robustness',
  'to',
  'NSC',
  'regeneration',
  'management',
  '.'],
 ['JJ',
  'NN',
  'IN',
  'NNP',
  'NN',
  'MD',
  'VB',
  'VBN',
  'IN',
  'NN',
  'TO',
  'VB',
  'NN',
  'CC',
  'NN',
  'TO',
  'NNP',
  'NN',
  'NN',
  '.']].

如何将结果映射回此列表，以便获得

[['DeNOx', 'activation'], ['order'], ['NSC', 'regeneration', 'management']]

Answer 1

你的不太远。使这更容易的一种方法是获取'IN'和'TO'的所有索引。

starts = {'IN', 'TO'}
in_twos = [i for i, e in enumerate(new) if e in starts]

这意味着：

[2, 8, 10, 15]

然后，只需迭代这些索引，特别是new[i+1:]，并接受'NN'或'NNP'元素。当您到达一个不是这些元素的元素时，break退出循环。

下面是一个示例：

result = []
take = {'NN', 'NNP'}

for i in in_twos:
    temp = []
    for x in new[i+1:]:
        if x not in take:
            break

        temp.append(x)

    # If this is empty, don't add it
    if temp:
        result.append(temp)

print(result)

其最终结果是：

[['NNP', 'NN'], ['NN'], ['NNP', 'NN', 'NN']]

另一种更短的方法，如@schwobaseggl所建议的，是使用itertools.takewhile使提取'NN'元素更容易。这个函数基本上一直提取元素，直到第一个参数谓词返回false为止。

以下是它的样子：

from itertools import takewhile

# new, take and in_twos same as before

result = [l for l in [list(takewhile(lambda x: x in take, new[i+1:])) for i in in_twos] if l]

print(result)
# [['NNP', 'NN'], ['NN'], ['NNP', 'NN', 'NN']]

更新：

如果你想把单词和演讲放在一起，你可以这样做：

new = [['JJ', 'NN', 'IN','NNP','NN','MD','VB','VBN','IN','NN','TO','VB','NN','CC','NN','TO','NNP','NN','NN','.'],
   ['Additional','condition','of','DeNOx','activation','shall','be','introduced','in', 'order','to','provide','flexibility','and','robustness', 'to','NSC','regeneration','management','.']]

starts = {'IN', 'TO'}
in_twos = [i for i, e in enumerate(new[0]) if e in starts]

speech = []
words = []
take = {'NN', 'NNP'}

for i in in_twos:
    temp = []
    for x, y in zip(new[0][i+1:], new[1][i+1:]):
        if x not in take:
            break

        temp.append((x, y))

    # If this is empty, don't add it
    if temp:
        speech.append([x for x, _ in temp])
        words.append([y for _, y in temp])

print(speech)
print(words)

其中产出：

[['NNP', 'NN'], ['NN'], ['NNP', 'NN', 'NN']]
[['DeNOx', 'activation'], ['order'], ['NSC', 'regeneration', 'management']]

Answer 2

为此您可以使用两个方便的迭代工具：群比和外卖

from itertools import groupby, takewhile

nn = lambda x: x.startswith('NN')
to_in = lambda x: x in ('IN', 'TO')

list(filter(None, [list(takewhile(nn, g)) for k, g in groupby(new, key=to_in)][1:]))
# [['NNP', 'NN'], ['NN'], ['NNP', 'NN', 'NN']]

这个块是基于TO或IN项的块的初始列表。除了第一个块(为了避免任何初始的NNs)之外，每个块都需要元素，而元素是从NN开始的。最后，它过滤器出不真实(空)列表。

Answer 3

在我输入时，还有另一个很好的答案--这是一个没有导入的简单实现。

full_list = []

for x in range(0, len(new)):
    if 'NN' in new[x] and ('IN' in new[x-1] or 'TO' in new[x-1]):
        temp_list = [new[x]]
        temp_index = x+1
        while 'NN' in new[temp_index]:
            temp_list.append(new[temp_index])
            temp_index += 1
        full_list.append(temp_list)