-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathrecuperation_donnees.py
115 lines (100 loc) · 3.02 KB
/
recuperation_donnees.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
# -*-coding:utf-8-*-
"""
Ce module sert d'exemple pour la récupération du corpus de Swadesh
"""
import re
import numpy as np
from nltk.corpus import swadesh
__author__ = "besnier"
langues_germaniques = ["en", "de", "nl"]
langues_romanes = ["fr", "es", "it"]
alphabet = list('azertyuiopqsdfghjklmwxcvbn')
a_aligner_ger = swadesh.entries(langues_germaniques)
a_aligner_rom = swadesh.entries(langues_romanes)
def recuperer_vocabulaire(langues, normaliser):
"""
Charger et normaliser les corpus selon les langues choisis
:param langues:
:param normaliser:
:return:
"""
a_aligner = swadesh.entries(langues)
mots_normalises = []
caracteres = set()
for i, mots in enumerate(a_aligner):
mots_normalises.append([])
for j in range(len(langues)):
mots_normalises[i].append(list(normaliser(mots[j])))
caracteres.update(mots_normalises[i][j])
return mots_normalises, list(caracteres)
def normaliser_rom(mot):
"""
Normaliser le français, l'espagnol et l'italien
:param mot:
:return:
"""
if ',' in mot:
i = mot.find(',')
mot = mot[:i]
mot = re.sub(r' \([\w ]*\)', '', mot.lower())
mot = mot.replace(' ', '')
mot = mot.replace('...', '')
mot = mot.replace("'", '')
mot = mot.replace('ù', 'u')
mot = mot.replace('œ', 'oe')
mot = mot.replace('è', 'e')
mot = mot.replace('é', 'e')
mot = mot.replace('á', 'a')
mot = mot.replace('à', 'a')
mot = mot.replace('ñ', 'n')
mot = mot.replace('í', 'i')
mot = mot.replace('â', 'a')
mot = mot.replace('ê', 'e')
mot = mot.replace('û', 'u')
mot = mot.replace('ó', 'o')
mot = mot.replace('ú', 'u')
mot = mot.replace('ü', 'u')
return mot
def normaliser_ger(mot):
"""
Normaliseur pour les langues germaniques occidentales
:param mot:
:return:
"""
if ',' in mot:
i = mot.find(',')
mot = mot[:i]
mot = re.sub(r' \([\w ]*\)', '', mot.lower()).replace(' ', '')
mot = mot.replace('ß', 'ss')
mot = mot.replace('ö', 'oe')
mot = mot.replace('ü', 'ue')
mot = mot.replace('ä', 'ae')
mot = mot.replace('á', 'a')
mot = mot.replace('à', 'a')
mot = mot.replace('ñ', 'n')
mot = mot.replace('í', 'i')
mot = mot.replace('â', 'a')
mot = mot.replace('ê', 'e')
mot = mot.replace('û', 'u')
mot = mot.replace('ó', 'o')
mot = mot.replace('ú', 'u')
mot = mot.replace('å', 'aa')
return mot
def liste_vers_paires(l):
"""
Passer d'une structure en list(list(str)) ) list([str, str])
:param l:
:return:
"""
res = []
for i in l:
taille_i = len(i)
for j in range(taille_i-1):
for k in range(j+1, taille_i):
res.append([np.array(i[j]), np.array(i[k])])
return res
if __name__ == "__main__":
# print(liste_vers_paires(ger))
# print(liste_vers_paires(rom))
recuperer_vocabulaire(langues_germaniques, normaliser_ger)
recuperer_vocabulaire(langues_romanes, normaliser_rom)