调整 WEKA 的 arff 文件格式

Question

我想对包含 2000 行的 Weka arff 文件进行预处理 对于NLP项目(情感分析)

我想要一个代码，在每个句子的开头和结尾添加一个引号。 例如，这是我的数据集的示例：

The Da Vinci Code is one of the most beautiful movies ive ever seen.,1
The Da Vinci Code is an * amazing * book, do not get me wrong.,1
then I turn on the light and the radio and enjoy my Da Vinci Code.,1
The Da Vinci Code was REALLY good.,1
i love da vinci code....,1 

我希望输出为：

'The Da Vinci Code is one of the most beautiful movies ive ever seen.',1
'The Da Vinci Code is an * amazing * book, do not get me wrong.',1
'then I turn on the light and the radio and enjoy my Da Vinci Code.',1
'The Da Vinci Code was REALLY good.',1
'i love da vinci code....',1 

只想在每个句子的开头和结尾(1 之前)添加一个引号。

如果您帮助我做到这一点，我将不胜感激

有没有可以用来代替编写代码的工具？

Answer 1

您可以使用正则表达式来实现此目的。正则表达式是字符串中模式匹配的强大形式。大量现有工具支持正则表达式，它允许您匹配/替换所需的文本，而无需自己编写任何代码。

要使用正则表达式 (regexp) 进行匹配和替换，您需要两个部分：

匹配

1. ：用于匹配字符串中的某些内容的表达式。
替换
2. /替换：指示要替换的内容的表达式 匹配。

火柴：

/([^.]+)(.+)(,1s+)/g

• 组 1：匹配除文字点之外的所有字符，至少 1 个 字符。
• 第 2 组：仅匹配文字点，至少 1 个字符。
• 组 3：匹配文本逗号，后跟文本 1，后跟 至少 1 个空格字符。
• 正则表达式标志g(全局)：多个匹配项

替代：

'$1$2'$3

• 用引号将组 1 和 2 括起来，后跟组 3。

您可以在此处查看上述匹配和替换的交互式版本

现在，您可以使用该匹配和替换来使用您喜欢的正则表达式工具。

喜欢 sed：

sed -i -E "s/([^.]+)(.+)(,1s+)/'12'3/g" yourfile.txt

或Windows PowerShell：

(Get-Content yourfile.txt) -replace '([^.]+)(.+)(,1s+)', '''$1$2''$3' | Out-File output.txt

_{其他工具可能使用不同的语法。提供的匹配/替换模式可能可以进一步优化。}