Cálculo de N gramos usando Python
Necesitaba calcular los Unigrams, BiGrams y Trigrams para un archivo de texto que contenga texto como:
"La fibrosis quística afecta a 30,000 niños y adultos jóvenes solo en los EE. UU. Inhalar las nieblas de agua salada puede reducir el pus y la infección que llena las vías respiratorias de quienes padecen fibrosis quística, aunque los efectos secundarios incluyen un ataque de tos desagradable y un sabor áspero. Esa es la conclusión de dos estudios publicados en el número de esta semana de The New England Journal of Medicine ".
Comencé en Python y usé el siguiente código:
#!/usr/bin/env python
# File: n-gram.py
def N_Gram(N,text):
NList = [] # start with an empty list
if N> 1:
space = " " * (N-1) # add N - 1 spaces
text = space + text + space # add both in front and back
# append the slices [i:i+N] to NList
for i in range( len(text) - (N - 1) ):
NList.append(text[i:i+N])
return NList # return the list
# test code
for i in range(5):
print N_Gram(i+1,"text")
# more test code
nList = N_Gram(7,"Here is a lot of text to print")
for ngram in iter(nList):
print '"' + ngram + '"'
http://www.daniweb.com/software-development/python/threads/39109/generating-n-grams-from-a-word
Pero funciona para todos los n-gramas dentro de una palabra, cuando la quiero entre palabras como en CÍSTICA y FIBROSIS o FIBROSIS CÍSTICA. ¿Puede alguien ayudarme en cuanto a cómo puedo hacer esto?