Python - Tokenización

En Python, la tokenización se refiere básicamente a dividir un cuerpo de texto más grande en líneas más pequeñas, palabras o incluso crear palabras para un idioma que no sea el inglés. Las diversas funciones de tokenización están integradas en el módulo nltk y se pueden usar en programas como se muestra a continuación.

Tokenización de línea

En el siguiente ejemplo, dividimos un texto dado en diferentes líneas usando la función sent_tokenize.

import nltk
sentence_data = "The First sentence is about Python. The Second: about Django. You can learn Python,Django and Data Ananlysis here. "
nltk_tokens = nltk.sent_tokenize(sentence_data)
print (nltk_tokens)

Cuando ejecutamos el programa anterior, obtenemos el siguiente resultado:

['The First sentence is about Python.', 'The Second: about Django.', 'You can learn Python,Django and Data Ananlysis here.']

Tokenización en idiomas distintos del inglés

En el siguiente ejemplo, tokenizamos el texto alemán.

import nltk
german_tokenizer = nltk.data.load('tokenizers/punkt/german.pickle')
german_tokens=german_tokenizer.tokenize('Wie geht es Ihnen?  Gut, danke.')
print(german_tokens)

Cuando ejecutamos el programa anterior, obtenemos el siguiente resultado:

['Wie geht es Ihnen?', 'Gut, danke.']

Palabra Tokenzitaion

Tokenizamos las palabras usando la función word_tokenize disponible como parte de nltk.

import nltk
word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
nltk_tokens = nltk.word_tokenize(word_data)
print (nltk_tokens)

Cuando ejecutamos el programa anterior, obtenemos el siguiente resultado:

['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
'comforts', 'of', 'their', 'drawing', 'rooms']