Das deutsche Python-Forum

Ich fahre heute Auto , und bin glücklich dabei .

Abend M
Abende M
Abends M
Abendtafel F
Abenteuer N
Abfälle M
Abfällen M
Abgrund M
Ablaufs M
Ablehnung F
...
...

# Modul zur Verwendung von reg. Ausdrücken
import re

# Set für das Nominalexikon
nominalexikon = set([])

# Korpus aus einer Datei einlesen
# (Sie muss sich im selben Verzeichnis wie die
#  Programmdatei befinden...)
text = unicode(open('8malt12.txt','Ur').read(),'utf-8')

# Text wird in Wort-Tokens aufgesplittet
# tokens = text.split()

# Definition des reg. Ausdrücks für Nomen
Nomen_re = re.compile(r'[A-ZÖÄÜ]') 
'''
Hier stehe ich voll auf dem Schlauch. Wie definiere ich nun ein Kriterium, dass in jedem Wort, egal welcher Länge, 
die 1. Buchstabe gematcht wird ob es klein oder GROß ist?
'''

# Text wird durchsucht und der vorher definierter
# reg. Ausdrück wird gesucht
nominalexikon = Nomen_re.findall(text)

# Entfernen von doppelten Einträgen
nominalexikon = set(nominalexikon)

print nominalexikon

CiveX hat geschrieben:Hyperion, ich darf nicht!

Ich MUSS reg. Ausrücke verwenden.

In [108] nomen = re.compile(r"[A-ZÖÄÜ][a-z]+")

In [109]: for word in words:
   .....:     if re.match(nomen, word):
   .....:         print word
   .....:
   .....:
Hier
Schlauch.
Wie
Kriterium,
Wort,
Buchstabe

Regel A: Alles was mit einem großen Buchstaben anfängt, was nicht hinter Satzzeichen steht, und bei drei nicht auf dem Baum ist wird als Nomen definiert

Regel B: Alles, was hinter Satzzeichen steht und nirgendwo anders im Text klein geschrieben vorkommt ist mit sehr hoher Wahrscheinlichkeit ein Nomen

Regex-Codes sind zur Erkennung von Wörtern mit großbuchstaben am Anfang: r"^[A_Za-zÄÖÜ]{1}", zur Erkennung von Token mit Satzzeichen (Satzzeichen am Ende des Token, um auch "..." zu finden: r"[.,:;!?'()" + r'"]$' und zur Erkennung von "Das" bzw. "das" r"[Dd]as"

Nimm einfach tur Worterkennung die Regex-Strings überprüfe folgendes:
1) wort matcht mit Großbuchstaben-Regex, vorgänger matcht *nicht* mit Satzzeichen-regex -> Wort in Lexikon
2) Wort matcht mit großbuchstaben-regex, vorgänger matcht mit Satzzeichen-Regex, das OWrt kommt aber klein geschrieben nciht im Textkorpus vor -> Wort in LExikon
3) Sonst -> Wort verwerfen

CiveX hat geschrieben:Du arbeitest halt mit Elementen die ich noch nicht Behandelt habe in Computerlingustik aka def, __main__ und so Dinger.

Klar, ich benutze sowas auch, WENN ich darf und kann. In diesem Teil darf ich halt nicht und muss mit den bekloppten Reg. Ausdrücken arbeiten.

Ich habe einen Kollegen angefragt, der genau wie ich es auch nacharbeiten muss:

Regex-Codes sind zur Erkennung von Wörtern mit großbuchstaben am Anfang: r"^[A_Za-zÄÖÜ]{1}", zur Erkennung von Token mit Satzzeichen (Satzzeichen am Ende des Token, um auch "..." zu finden: r"[.,:;!?'()" + r'"]$' und zur Erkennung von "Das" bzw. "das" r"[Dd]as"

re.compile(r".*[\.\?\!",]$")

Nimm einfach tur Worterkennung die Regex-Strings überprüfe folgendes:
1) wort matcht mit Großbuchstaben-Regex, vorgänger matcht *nicht* mit Satzzeichen-regex -> Wort in Lexikon
2) Wort matcht mit großbuchstaben-regex, vorgänger matcht mit Satzzeichen-Regex, das OWrt kommt aber klein geschrieben nciht im Textkorpus vor -> Wort in LExikon
3) Sonst -> Wort verwerfen

problembär hat geschrieben:get_sex() ... Uhh, aah, ok, see you ...

Rebecca hat geschrieben:get_gender, denn gender ist das grammatikalische Geschlecht, nicht sex.

Doku hat geschrieben: {m,n}
Causes the resulting RE to match from m to n repetitions of the preceding RE, attempting to match as many repetitions as possible. For example, a{3,5} will match from 3 to 5 'a' characters. Omitting m specifies a lower bound of zero, and omitting n specifies an infinite upper bound. As an example, a{4,}b will match aaaab or a thousand 'a' characters followed by a b, but not aaab. The comma may not be omitted or the modifier would be confused with the previously described form.