知识卡片

普通读书笔记卡 · 6644.a.4 · 生成模型:未记录

分词长度不是自然单词数

理解等级:中级

word_tokenize把文本转换为token列表,len得到的是该规则下的token数,逗号、缩略词片段等也可能各算一项。书中“Today is a pleasant day”得到5,只因这个简单例子与空格词数一致。原示例引号和部分输出空白有排版问题,不能原样当可执行验证;Python2的input还不等同Python3读取文本。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第1章 字符串操作,spine055单元005;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00054.html。 - 结论依据:原文同时给含标点列表和简单五词计数,说明列表长度的实际单位;没有证明它普遍对应词数。2026-11-06核对官方资料:https://www.nltk.org/api/nltk.tokenize.html。未在本机运行示例或改变环境。 - 原始内容: length of text is",len(word_tokenize(r)),"words") The length of text is 5 words