从字符串中提取2条信息--使用什么？
从字符串中提取2条信息--使用什么？
提问于 2016-09-26 09:52:12
首先，在数据科学方面，我是一个完全的新手，我不是要求完整的解决方案，而是关于我应该阅读什么来完成我的任务的一些指导(使用什么算法、技术等来解决类似的问题)。
我有不同的字符串列表，其中包含我想要提取的一两条有用的信息。在下面的示例中，我需要从每一行中提取粗体和斜体部分。不过，这只是一个例子，最终我将需要一个可以应用于具有不同上下文的不同列表的过程。以下是500份清单中的一个小样本：
- 50“索尼KDL 50W756CSAEP智能LED全高清
- 55英寸三星UE55JU6400智能LED高清
- LG 55LF652V55“智能3D全高清
- 日立55HGW69 55‘LED超智能WIFI
- 电视65“三星UE65KS7500 4K LED智能
在我的完整列表中，我已经手动提取了品牌和模型。因此，我现在需要的是一种方法，自动化的过程中，一个新的清单，包含更多的品牌和型号。我想我可以这样做，但由于我不只是为这类数据这样做，它将不能很好地工作。
有人能给我一些建议吗？
谢谢!
回答 3
Data Science用户
发布于 2016-09-29 10:35:30
也许您可以在字典中使用Python。
您可以在字典中设置一组单词，每次都可以用您找到的新单词填充。
要找到新单词(如果模式与您的示例相同)，您可以获取“品牌”(三星)，下一个单词将是模型(UE65KS7500)。
这是一个很好的资源
Data Science用户
发布于 2017-03-06 16:14:10
我喜欢做简单的事情首先，然后增加更多的复杂性，如果需要的话。我首先简单地删除我们不关心的电视功能，然后返回剩下的东西，假设品牌总是先于模型。例如，在Python中：
def get_brand_model(input):
"""
Returns the brand and model number from a TV description
>>> get_brand_model('50" Sony KDL 50W756CSAEP Smart LED Full HD')
('SONY', 'KDL 50W756CSAEP')
>>> get_brand_model('55" Samsung UE55JU6400 Smart LED HD')
('SAMSUNG', 'UE55JU6400')
>>> get_brand_model('LG 55LF652V 55" SMART 3D FULL HD')
('LG', '55LF652V')
>>> get_brand_model("HITACHI 55HGW69 55'' LED ULTRA SMART WIFI")
('HITACHI', '55HGW69')
>>> get_brand_model('TV 65" SAMSUNG UE65KS7500 4K LED Smart')
('SAMSUNG', 'UE65KS7500')
"""
def filter(word):
# Basic filter to remove TV features from the input string
skip_words = ['3d', '720p', '1080p', 'hd', '4k', 'smart', 'wifi',
'led', 'full', 'tv', 'ultra', 'inch']
is_measurement = '"' in word or "'" in word
return not word.lower() in skip_words and not is_measurement
words = [w.upper() for w in input.split(' ') if filter(w)]
# Return a tuple of (brand, model number)
return (words[0], ' '.join(words[1:]))这可能需要一些调整，但问题中的5个示例在运行包含的doctest时都通过了。
Data Science用户
发布于 2017-09-20 22:57:01
你也可以加入TF-以色列国防军，看看是否有共同的词频率与你想要提取的元素，或那些元素，你可以删除。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/14222
复制相关文章
相似问题
腾讯云开发者
