spaCy/spacy/lang/fi/lex_attrs.py

59 lines
1.1 KiB
Python
Raw Normal View History

# coding: utf8
from __future__ import unicode_literals
from ...attrs import LIKE_NUM
_num_words = [
"nolla",
"yksi",
"kaksi",
"kolme",
"neljä",
"viisi",
"kuusi",
"seitsemän",
"kahdeksan",
"yhdeksän",
"kymmenen",
"yksitoista",
"kaksitoista",
"kolmetoista" "neljätoista",
"viisitoista",
"kuusitoista",
"seitsemäntoista",
"kahdeksantoista",
"yhdeksäntoista",
"kaksikymmentä",
"kolmekymmentä",
"neljäkymmentä",
"viisikymmentä",
"kuusikymmentä",
"seitsemänkymmentä",
"kahdeksankymmentä",
"yhdeksänkymmentä",
"sata",
"tuhat",
"miljoona",
"miljardi",
"triljoona",
]
def like_num(text):
if text.startswith(("+", "-", "±", "~")):
text = text[1:]
text = text.replace(".", "").replace(",", "")
if text.isdigit():
return True
if text.count("/") == 1:
num, denom = text.split("/")
if num.isdigit() and denom.isdigit():
return True
if text in _num_words:
return True
return False
LEX_ATTRS = {LIKE_NUM: like_num}