给定词形及其偏移量，找出它在句子中的位置/顺序

Question

我有这样一张单子：

{'content': '@aaaaaaaaaaa People are going to find it hard to believe that Miliband makes it up as he goes along more than Osborne.',
 'entities': [{'named_entity': 'miliband', 'offset': 62}]}

因此，我有一些实体，比如“miliband”，它与内容中的“miliband”（即第一个miliband）匹配（我使用re.compile(r'\b({0})\b')进行匹配），以及起始字母的偏移量。我想找出“Miliband.”在句子中的位置，即“Miliband.”是句子中的第11个单词。你知道吗

有什么我能做到的吗？？我想我必须首先标记这个句子，但是我如何利用偏移量来识别正确的匹配词，从而确定它在标记化列表中的位置。。。你知道吗

谢谢！你知道吗

更新： 关于实体词前面的特殊字符/标点符号。e、 例如，“#miliband”和s = 'hello world #miliband'; pos = 13; pos_word = len(s[:62].split()) = 3，应该是2（从0开始），因为“#”。程序有没有办法使用这个偏移量（即13）并确定这个字符在第三个标记化单词“#miliband”的偏移量范围内，因此=2？你知道吗

Answer 1

从你的问题来看，我不确定你想达到什么目的。不过，希望这会有所帮助。首先需要拆分句子，然后使用索引查找列表中第一个出现的单词。你知道吗

d = {'content': 'People are going to find it hard to believe Miliband. Miliband makes it up as he goes along more than Osborne.', 'entities': [{'named_entity': 'miliband', 'offset': 62}]}

>>> d['content'].split().index('Miliband')
10

请注意，偏移量62表示第二毫米波段。你知道吗

>>> d['content'][:62]
'People are going to find it hard to believe Miliband. Miliband'

使用字典的偏移量：

>>> len(d['content'][0:d['entities'][0]['offset']].split())
11