From 73f66ec5706108f193b8dcabaf79473a87925d26 Mon Sep 17 00:00:00 2001 From: Michael Wallin Date: Wed, 1 Feb 2017 00:27:29 +0200 Subject: [PATCH 1/4] Add preliminary support for Finnish --- setup.py | 1 + spacy/__init__.py | 4 +- spacy/fi/__init__.py | 17 + spacy/fi/language_data.py | 17 + spacy/fi/stop_words.py | 854 +++++++++++++++++++++++++++++++ spacy/fi/tokenizer_exceptions.py | 202 ++++++++ 6 files changed, 1094 insertions(+), 1 deletion(-) create mode 100644 spacy/fi/__init__.py create mode 100644 spacy/fi/language_data.py create mode 100644 spacy/fi/stop_words.py create mode 100644 spacy/fi/tokenizer_exceptions.py diff --git a/setup.py b/setup.py index 70099da0a..585cb1025 100644 --- a/setup.py +++ b/setup.py @@ -31,6 +31,7 @@ PACKAGES = [ 'spacy.pt', 'spacy.nl', 'spacy.sv', + 'spacy.fi', 'spacy.language_data', 'spacy.serialize', 'spacy.syntax', diff --git a/spacy/__init__.py b/spacy/__init__.py index 21e0f7db4..373974330 100644 --- a/spacy/__init__.py +++ b/spacy/__init__.py @@ -13,7 +13,7 @@ from . import fr from . import pt from . import nl from . import sv - +from . import fi try: basestring @@ -31,6 +31,8 @@ set_lang_class(hu.Hungarian.lang, hu.Hungarian) set_lang_class(zh.Chinese.lang, zh.Chinese) set_lang_class(nl.Dutch.lang, nl.Dutch) set_lang_class(sv.Swedish.lang, sv.Swedish) +set_lang_class(fi.Finnish.lang, fi.Finnish) + def load(name, **overrides): diff --git a/spacy/fi/__init__.py b/spacy/fi/__init__.py new file mode 100644 index 000000000..79a92b970 --- /dev/null +++ b/spacy/fi/__init__.py @@ -0,0 +1,17 @@ +# encoding: utf8 +from __future__ import unicode_literals, print_function + +from ..language import Language +from ..attrs import LANG +from .language_data import * + + +class Finnish(Language): + lang = 'fi' + + class Defaults(Language.Defaults): + lex_attr_getters = dict(Language.Defaults.lex_attr_getters) + lex_attr_getters[LANG] = lambda text: 'fi' + + tokenizer_exceptions = TOKENIZER_EXCEPTIONS + stop_words = STOP_WORDS diff --git a/spacy/fi/language_data.py b/spacy/fi/language_data.py new file mode 100644 index 000000000..8bf88842a --- /dev/null +++ b/spacy/fi/language_data.py @@ -0,0 +1,17 @@ +# encoding: utf8 +from __future__ import unicode_literals + +from .. import language_data as base +from ..language_data import update_exc, strings_to_exc + +from .stop_words import STOP_WORDS +from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS + + +STOP_WORDS = set(STOP_WORDS) + +TOKENIZER_EXCEPTIONS = dict(TOKENIZER_EXCEPTIONS) +update_exc(TOKENIZER_EXCEPTIONS, strings_to_exc(base.EMOTICONS)) + + +__all__ = ["TOKENIZER_EXCEPTIONS", "STOP_WORDS"] diff --git a/spacy/fi/stop_words.py b/spacy/fi/stop_words.py new file mode 100644 index 000000000..6f94d2567 --- /dev/null +++ b/spacy/fi/stop_words.py @@ -0,0 +1,854 @@ +# encoding: utf8 +from __future__ import unicode_literals + +# Source https://github.com/stopwords-iso/stopwords-fi/blob/master/stopwords-fi.txt + +STOP_WORDS = set(""" +aiemmin +aika +aikaa +aikaan +aikaisemmin +aikaisin +aikajen +aikana +aikoina +aikoo +aikovat +aina +ainakaan +ainakin +ainoa +ainoat +aiomme +aion +aiotte +aist +aivan +ajan +alas +alemmas +alkuisin +alkuun +alla +alle +aloitamme +aloitan +aloitat +aloitatte +aloitattivat +aloitettava +aloitettevaksi +aloitettu +aloitimme +aloitin +aloitit +aloititte +aloittaa +aloittamatta +aloitti +aloittivat +alta +aluksi +alussa +alusta +annettavaksi +annetteva +annettu +ansiosta +antaa +antamatta +antoi +aoua +apu +asia +asiaa +asian +asiasta +asiat +asioiden +asioihin +asioita +asti +avuksi +avulla +avun +avutta +edelle +edelleen +edellä +edeltä +edemmäs +edes +edessä +edestä +ehkä +ei +eikä +eilen +eivät +eli +ellei +elleivät +ellemme +ellen +ellet +ellette +emme +en +enemmän +eniten +ennen +ensi +ensimmäinen +ensimmäiseksi +ensimmäisen +ensimmäisenä +ensimmäiset +ensimmäisiksi +ensimmäisinä +ensimmäisiä +ensimmäistä +ensin +entinen +entisen +entisiä +entisten +entistä +enää +eri +erittäin +erityisesti +eräiden +eräs +eräät +esi +esiin +esillä +esimerkiksi +et +eteen +etenkin +etessa +ette +ettei +että +haikki +halua +haluaa +haluamatta +haluamme +haluan +haluat +haluatte +haluavat +halunnut +halusi +halusimme +halusin +halusit +halusitte +halusivat +halutessa +haluton +he +hei +heidän +heidät +heihin +heille +heillä +heiltä +heissä +heistä +heitä +helposti +heti +hetkellä +hieman +hitaasti +hoikein +huolimatta +huomenna +hyvien +hyviin +hyviksi +hyville +hyviltä +hyvin +hyvinä +hyvissä +hyvistä +hyviä +hyvä +hyvät +hyvää +hän +häneen +hänelle +hänellä +häneltä +hänen +hänessä +hänestä +hänet +häntä +ihan +ilman +ilmeisesti +itse +itsensä +itseään +ja +jo +johon +joiden +joihin +joiksi +joilla +joille +joilta +joina +joissa +joista +joita +joka +jokainen +jokin +joko +joksi +joku +jolla +jolle +jolloin +jolta +jompikumpi +jona +jonka +jonkin +jonne +joo +jopa +jos +joskus +jossa +josta +jota +jotain +joten +jotenkin +jotenkuten +jotka +jotta +jouduimme +jouduin +jouduit +jouduitte +joudumme +joudun +joudutte +joukkoon +joukossa +joukosta +joutua +joutui +joutuivat +joutumaan +joutuu +joutuvat +juuri +jälkeen +jälleen +jää +kahdeksan +kahdeksannen +kahdella +kahdelle +kahdelta +kahden +kahdessa +kahdesta +kahta +kahteen +kai +kaiken +kaikille +kaikilta +kaikkea +kaikki +kaikkia +kaikkiaan +kaikkialla +kaikkialle +kaikkialta +kaikkien +kaikkin +kaksi +kannalta +kannattaa +kanssa +kanssaan +kanssamme +kanssani +kanssanne +kanssasi +kauan +kauemmas +kaukana +kautta +kehen +keiden +keihin +keiksi +keille +keillä +keiltä +keinä +keissä +keistä +keitten +keittä +keitä +keneen +keneksi +kenelle +kenellä +keneltä +kenen +kenenä +kenessä +kenestä +kenet +kenettä +kennessästä +kenties +kerran +kerta +kertaa +keskellä +kesken +keskimäärin +ketkä +ketä +kiitos +kohti +koko +kokonaan +kolmas +kolme +kolmen +kolmesti +koska +koskaan +kovin +kuin +kuinka +kuinkan +kuitenkaan +kuitenkin +kuka +kukaan +kukin +kukka +kumpainen +kumpainenkaan +kumpi +kumpikaan +kumpikin +kun +kuten +kuuden +kuusi +kuutta +kylliksi +kyllä +kymmenen +kyse +liian +liki +lisäksi +lisää +lla +luo +luona +lähekkäin +lähelle +lähellä +läheltä +lähemmäs +lähes +lähinnä +lähtien +läpi +mahdollisimman +mahdollista +me +meidän +meidät +meihin +meille +meillä +meiltä +meissä +meistä +meitä +melkein +melko +menee +meneet +menemme +menen +menet +menette +menevät +meni +menimme +menin +menit +menivät +mennessä +mennyt +menossa +mihin +mikin +miksi +mikä +mikäli +mikään +mille +milloin +milloinkan +millä +miltä +minkä +minne +minua +minulla +minulle +minulta +minun +minussa +minusta +minut +minuun +minä +missä +mistä +miten +mitkä +mitä +mitään +moi +molemmat +mones +monesti +monet +moni +moniaalla +moniaalle +moniaalta +monta +muassa +muiden +muita +muka +mukaan +mukaansa +mukana +mutta +muu +muualla +muualle +muualta +muuanne +muulloin +muun +muut +muuta +muutama +muutaman +muuten +myöhemmin +myös +myöskin +myöskään +myötä +ne +neljä +neljän +neljää +niiden +niihin +niiksi +niille +niillä +niiltä +niin +niinä +niissä +niistä +niitä +noiden +noihin +noiksi +noilla +noille +noilta +noin +noina +noissa +noista +noita +nopeammin +nopeasti +nopeiten +nro +nuo +nyt +näiden +näihin +näiksi +näille +näillä +näiltä +näin +näinä +näissä +näissähin +näissälle +näissältä +näissästä +näistä +näitä +nämä +ohi +oikea +oikealla +oikein +ole +olemme +olen +olet +olette +oleva +olevan +olevat +oli +olimme +olin +olisi +olisimme +olisin +olisit +olisitte +olisivat +olit +olitte +olivat +olla +olleet +olli +ollut +oma +omaa +omaan +omaksi +omalle +omalta +oman +omassa +omat +omia +omien +omiin +omiksi +omille +omilta +omissa +omista +on +onkin +onko +ovat +paikoittain +paitsi +pakosti +paljon +paremmin +parempi +parhaillaan +parhaiten +perusteella +peräti +pian +pieneen +pieneksi +pienelle +pienellä +pieneltä +pienempi +pienestä +pieni +pienin +poikki +puolesta +puolestaan +päälle +runsaasti +saakka +sadam +sama +samaa +samaan +samalla +samallalta +samallassa +samallasta +saman +samat +samoin +sata +sataa +satojen +se +seitsemän +sekä +sen +seuraavat +siellä +sieltä +siihen +siinä +siis +siitä +sijaan +siksi +sille +silloin +sillä +silti +siltä +sinne +sinua +sinulla +sinulle +sinulta +sinun +sinussa +sinusta +sinut +sinuun +sinä +sisäkkäin +sisällä +siten +sitten +sitä +ssa +sta +suoraan +suuntaan +suuren +suuret +suuri +suuria +suurin +suurten +taa +taas +taemmas +tahansa +tai +takaa +takaisin +takana +takia +tallä +tapauksessa +tarpeeksi +tavalla +tavoitteena +te +teidän +teidät +teihin +teille +teillä +teiltä +teissä +teistä +teitä +tietysti +todella +toinen +toisaalla +toisaalle +toisaalta +toiseen +toiseksi +toisella +toiselle +toiselta +toisemme +toisen +toisensa +toisessa +toisesta +toista +toistaiseksi +toki +tosin +tuhannen +tuhat +tule +tulee +tulemme +tulen +tulet +tulette +tulevat +tulimme +tulin +tulisi +tulisimme +tulisin +tulisit +tulisitte +tulisivat +tulit +tulitte +tulivat +tulla +tulleet +tullut +tuntuu +tuo +tuohon +tuoksi +tuolla +tuolle +tuolloin +tuolta +tuon +tuona +tuonne +tuossa +tuosta +tuota +tuotä +tuskin +tykö +tähän +täksi +tälle +tällä +tällöin +tältä +tämä +tämän +tänne +tänä +tänään +tässä +tästä +täten +tätä +täysin +täytyvät +täytyy +täällä +täältä +ulkopuolella +usea +useasti +useimmiten +usein +useita +uudeksi +uudelleen +uuden +uudet +uusi +uusia +uusien +uusinta +uuteen +uutta +vaan +vahemmän +vai +vaiheessa +vaikea +vaikean +vaikeat +vaikeilla +vaikeille +vaikeilta +vaikeissa +vaikeista +vaikka +vain +varmasti +varsin +varsinkin +varten +vasen +vasenmalla +vasta +vastaan +vastakkain +vastan +verran +vielä +vierekkäin +vieressä +vieri +viiden +viime +viimeinen +viimeisen +viimeksi +viisi +voi +voidaan +voimme +voin +voisi +voit +voitte +voivat +vuoden +vuoksi +vuosi +vuosien +vuosina +vuotta +vähemmän +vähintään +vähiten +vähän +välillä +yhdeksän +yhden +yhdessä +yhteen +yhteensä +yhteydessä +yhteyteen +yhtä +yhtäälle +yhtäällä +yhtäältä +yhtään +yhä +yksi +yksin +yksittäin +yleensä +ylemmäs +yli +ylös +ympäri +älköön +älä +""".split()) diff --git a/spacy/fi/tokenizer_exceptions.py b/spacy/fi/tokenizer_exceptions.py new file mode 100644 index 000000000..abb43c139 --- /dev/null +++ b/spacy/fi/tokenizer_exceptions.py @@ -0,0 +1,202 @@ +# encoding: utf8 +from __future__ import unicode_literals + +from ..symbols import * +from ..language_data import PRON_LEMMA + +# Source https://www.cs.tut.fi/~jkorpela/kielenopas/5.5.html + +TOKENIZER_EXCEPTIONS = { + "aik.": [ + {ORTH: "aik.", LEMMA: "aikaisempi"} + ], + "alk.": [ + {ORTH: "alk.", LEMMA: "alkaen"} + ], + "alv.": [ + {ORTH: "alv.", LEMMA: "arvonlisävero"} + ], + "ark.": [ + {ORTH: "ark.", LEMMA: "arkisin"} + ], + "as.": [ + {ORTH: "as.", LEMMA: "asunto"} + ], + "ed.": [ + {ORTH: "ed.", LEMMA: "edellinen"} + ], + "esim.": [ + {ORTH: "esim.", LEMMA: "esimerkki"} + ], + "huom.": [ + {ORTH: "huom.", LEMMA: "huomautus"} + ], + "jne.": [ + {ORTH: "jne.", LEMMA: "ja niin edelleen"} + ], + "joht.": [ + {ORTH: "joht.", LEMMA: "johtaja"} + ], + "k.": [ + {ORTH: "k.", LEMMA: "kuollut"} + ], + "ks.": [ + {ORTH: "ks.", LEMMA: "katso"} + ], + "lk.": [ + {ORTH: "lk.", LEMMA: "luokka"} + ], + "lkm.": [ + {ORTH: "lkm.", LEMMA: "lukumäärä"} + ], + "lyh.": [ + {ORTH: "lyh.", LEMMA: "lyhenne"} + ], + "läh.": [ + {ORTH: "läh.", LEMMA: "lähettäjä"} + ], + "miel.": [ + {ORTH: "miel.", LEMMA: "mieluummin"} + ], + "milj.": [ + {ORTH: "milj.", LEMMA: "miljoona"} + ], + "mm.": [ + {ORTH: "mm.", LEMMA: "muun muassa"} + ], + "myöh.": [ + {ORTH: "myöh.", LEMMA: "myöhempi"} + ], + "n.": [ + {ORTH: "n.", LEMMA: "noin"} + ], + "nimim.": [ + {ORTH: "nimim.", LEMMA: "nimimerkki"} + ], + "ns.": [ + {ORTH: "ns.", LEMMA: "niin sanottu"} + ], + "nyk.": [ + {ORTH: "nyk.", LEMMA: "nykyinen"} + ], + "oik.": [ + {ORTH: "oik.", LEMMA: "oikealla"} + ], + "os.": [ + {ORTH: "os.", LEMMA: "osoite"} + ], + "p.": [ + {ORTH: "p.", LEMMA: "päivä"} + ], + "par.": [ + {ORTH: "par.", LEMMA: "paremmin"} + ], + "per.": [ + {ORTH: "per.", LEMMA: "perustettu"} + ], + "pj.": [ + {ORTH: "pj.", LEMMA: "puheenjohtaja"} + ], + "puh.joht.": [ + {ORTH: "puh.joht.", LEMMA: "puheenjohtaja"} + ], + "prof.": [ + {ORTH: "prof.", LEMMA: "professori"} + ], + "puh.": [ + {ORTH: "puh.", LEMMA: "puhelin"} + ], + "pvm.": [ + {ORTH: "pvm.", LEMMA: "päivämäärä"} + ], + "rak.": [ + {ORTH: "rak.", LEMMA: "rakennettu"} + ], + "ry.": [ + {ORTH: "ry.", LEMMA: "rekisteröity yhdistys"} + ], + "s.": [ + {ORTH: "s.", LEMMA: "sivu"} + ], + "siht.": [ + {ORTH: "siht.", LEMMA: "sihteeri"} + ], + "synt.": [ + {ORTH: "synt.", LEMMA: "syntynyt"} + ], + "t.": [ + {ORTH: "t.", LEMMA: "toivoo"} + ], + "tark.": [ + {ORTH: "tark.", LEMMA: "tarkastanut"} + ], + "til.": [ + {ORTH: "til.", LEMMA: "tilattu"} + ], + "tms.": [ + {ORTH: "tms.", LEMMA: "tai muuta sellaista"} + ], + "toim.": [ + {ORTH: "toim.", LEMMA: "toimittanut"} + ], + "v.": [ + {ORTH: "v.", LEMMA: "vuosi"} + ], + "vas.": [ + {ORTH: "vas.", LEMMA: "vasen"} + ], + "vast.": [ + {ORTH: "vast.", LEMMA: "vastaus"} + ], + "vrt.": [ + {ORTH: "vrt.", LEMMA: "vertaa"} + ], + "yht.": [ + {ORTH: "yht.", LEMMA: "yhteensä"} + ], + "yl.": [ + {ORTH: "yl.", LEMMA: "yleinen"} + ], + "ym.": [ + {ORTH: "ym.", LEMMA: "ynnä muuta"} + ], + "yms.": [ + {ORTH: "yms.", LEMMA: "ynnä muuta sellaista"} + ], + "yo.": [ + {ORTH: "yo.", LEMMA: "ylioppilas"} + ], + "yliopp.": [ + {ORTH: "yliopp.", LEMMA: "ylioppilas"} + ], + "ao.": [ + {ORTH: "ao.", LEMMA: "asianomainen"} + ], + "em.": [ + {ORTH: "em.", LEMMA: "edellä mainittu"} + ], + "ko.": [ + {ORTH: "ko.", LEMMA: "kyseessä oleva"} + ], + "ml.": [ + {ORTH: "ml.", LEMMA: "mukaan luettuna"} + ], + "po.": [ + {ORTH: "po.", LEMMA: "puheena oleva"} + ], + "so.": [ + {ORTH: "so.", LEMMA: "se on"} + ], + "ts.": [ + {ORTH: "ts.", LEMMA: "toisin sanoen"} + ], + "vm.": [ + {ORTH: "vm.", LEMMA: "viimeksi mainittu"} + ], + "siht.": [ + {ORTH: "siht.", LEMMA: "sihteeri"} + ], + "srk.": [ + {ORTH: "srk.", LEMMA: "seurakunta"} + ] +} From f9bb25d1cf07924553c8c52f20b830d08d112148 Mon Sep 17 00:00:00 2001 From: Michael Wallin Date: Sat, 4 Feb 2017 13:44:41 +0200 Subject: [PATCH 2/4] [finnish] Reformat and correct stop words --- spacy/fi/stop_words.py | 883 ++--------------------------------------- 1 file changed, 37 insertions(+), 846 deletions(-) diff --git a/spacy/fi/stop_words.py b/spacy/fi/stop_words.py index 6f94d2567..a1e0277f4 100644 --- a/spacy/fi/stop_words.py +++ b/spacy/fi/stop_words.py @@ -2,853 +2,44 @@ from __future__ import unicode_literals # Source https://github.com/stopwords-iso/stopwords-fi/blob/master/stopwords-fi.txt +# Reformatted with some minor corrections STOP_WORDS = set(""" -aiemmin -aika -aikaa -aikaan -aikaisemmin -aikaisin -aikajen -aikana -aikoina -aikoo -aikovat -aina -ainakaan -ainakin -ainoa -ainoat -aiomme -aion -aiotte -aist -aivan -ajan -alas -alemmas -alkuisin -alkuun -alla -alle -aloitamme -aloitan -aloitat -aloitatte -aloitattivat -aloitettava -aloitettevaksi -aloitettu -aloitimme -aloitin -aloitit -aloititte -aloittaa -aloittamatta -aloitti -aloittivat -alta -aluksi -alussa -alusta -annettavaksi -annetteva -annettu -ansiosta -antaa -antamatta -antoi -aoua -apu -asia -asiaa -asian -asiasta -asiat -asioiden -asioihin -asioita -asti -avuksi -avulla -avun -avutta -edelle -edelleen -edellä -edeltä -edemmäs -edes -edessä -edestä -ehkä -ei -eikä -eilen -eivät -eli -ellei -elleivät -ellemme -ellen -ellet -ellette -emme -en -enemmän -eniten -ennen -ensi -ensimmäinen -ensimmäiseksi -ensimmäisen -ensimmäisenä -ensimmäiset -ensimmäisiksi -ensimmäisinä -ensimmäisiä -ensimmäistä -ensin -entinen -entisen -entisiä -entisten -entistä -enää -eri -erittäin -erityisesti -eräiden -eräs -eräät -esi -esiin -esillä -esimerkiksi -et -eteen -etenkin -etessa -ette -ettei -että -haikki -halua -haluaa -haluamatta -haluamme -haluan -haluat -haluatte -haluavat -halunnut -halusi -halusimme -halusin -halusit -halusitte -halusivat -halutessa -haluton -he -hei -heidän -heidät -heihin -heille -heillä -heiltä -heissä -heistä -heitä -helposti -heti -hetkellä -hieman -hitaasti -hoikein -huolimatta -huomenna -hyvien -hyviin -hyviksi -hyville -hyviltä -hyvin -hyvinä -hyvissä -hyvistä -hyviä -hyvä -hyvät -hyvää -hän -häneen -hänelle -hänellä -häneltä -hänen -hänessä -hänestä -hänet -häntä -ihan -ilman -ilmeisesti -itse -itsensä -itseään -ja -jo -johon -joiden -joihin -joiksi -joilla -joille -joilta -joina -joissa -joista -joita -joka -jokainen -jokin -joko -joksi -joku -jolla -jolle -jolloin -jolta -jompikumpi -jona -jonka -jonkin -jonne -joo -jopa -jos -joskus -jossa -josta -jota -jotain -joten -jotenkin -jotenkuten -jotka -jotta -jouduimme -jouduin -jouduit -jouduitte -joudumme -joudun -joudutte -joukkoon -joukossa -joukosta -joutua -joutui -joutuivat -joutumaan -joutuu -joutuvat -juuri -jälkeen -jälleen -jää -kahdeksan -kahdeksannen -kahdella -kahdelle -kahdelta -kahden -kahdessa -kahdesta -kahta -kahteen -kai -kaiken -kaikille -kaikilta -kaikkea -kaikki -kaikkia -kaikkiaan -kaikkialla -kaikkialle -kaikkialta -kaikkien -kaikkin -kaksi -kannalta -kannattaa -kanssa -kanssaan -kanssamme -kanssani -kanssanne -kanssasi -kauan -kauemmas -kaukana -kautta -kehen -keiden -keihin -keiksi -keille -keillä -keiltä -keinä -keissä -keistä -keitten -keittä -keitä -keneen -keneksi -kenelle -kenellä -keneltä -kenen -kenenä -kenessä -kenestä -kenet -kenettä -kennessästä -kenties -kerran -kerta -kertaa -keskellä -kesken -keskimäärin -ketkä -ketä -kiitos -kohti -koko -kokonaan -kolmas -kolme -kolmen -kolmesti -koska -koskaan -kovin -kuin -kuinka -kuinkan -kuitenkaan -kuitenkin -kuka -kukaan -kukin -kukka -kumpainen -kumpainenkaan -kumpi -kumpikaan -kumpikin -kun -kuten -kuuden -kuusi -kuutta -kylliksi -kyllä -kymmenen -kyse -liian -liki -lisäksi -lisää -lla -luo -luona -lähekkäin -lähelle -lähellä -läheltä -lähemmäs -lähes -lähinnä -lähtien -läpi -mahdollisimman -mahdollista -me -meidän -meidät -meihin -meille -meillä -meiltä -meissä -meistä -meitä -melkein -melko -menee -meneet -menemme -menen -menet -menette -menevät -meni -menimme -menin -menit -menivät -mennessä -mennyt -menossa -mihin -mikin -miksi -mikä -mikäli -mikään -mille -milloin -milloinkan -millä -miltä -minkä -minne -minua -minulla -minulle -minulta -minun -minussa -minusta -minut -minuun -minä -missä -mistä -miten -mitkä -mitä -mitään -moi -molemmat -mones -monesti -monet -moni -moniaalla -moniaalle -moniaalta -monta -muassa -muiden -muita -muka -mukaan -mukaansa -mukana -mutta -muu -muualla -muualle -muualta -muuanne -muulloin -muun -muut -muuta -muutama -muutaman -muuten -myöhemmin -myös -myöskin -myöskään -myötä -ne -neljä -neljän -neljää -niiden -niihin -niiksi -niille -niillä -niiltä -niin -niinä -niissä -niistä -niitä -noiden -noihin -noiksi -noilla -noille -noilta -noin -noina -noissa -noista -noita -nopeammin -nopeasti -nopeiten -nro -nuo -nyt -näiden -näihin -näiksi -näille -näillä -näiltä -näin -näinä -näissä -näissähin -näissälle -näissältä -näissästä -näistä -näitä -nämä -ohi -oikea -oikealla -oikein -ole -olemme -olen -olet -olette -oleva -olevan -olevat -oli -olimme -olin -olisi -olisimme -olisin -olisit -olisitte -olisivat -olit -olitte -olivat -olla -olleet -olli -ollut -oma -omaa -omaan -omaksi -omalle -omalta -oman -omassa -omat -omia -omien -omiin -omiksi -omille -omilta -omissa -omista -on -onkin -onko -ovat -paikoittain -paitsi -pakosti -paljon -paremmin -parempi -parhaillaan -parhaiten -perusteella -peräti -pian -pieneen -pieneksi -pienelle -pienellä -pieneltä -pienempi -pienestä -pieni -pienin -poikki -puolesta -puolestaan -päälle + +aiemmin aika aikaa aikaan aikaisemmin aikaisin aikana aikoina aikoo aikovat aina ainakaan ainakin ainoa ainoat aiomme aion aiotte aivan ajan alas alemmas alkuisin alkuun alla alle aloitamme aloitan aloitat aloitatte aloitattivat aloitettava aloitettavaksi aloitettu aloitimme aloitin aloitit aloititte aloittaa aloittamatta aloitti aloittivat alta aluksi alussa alusta annettavaksi annettava annettu ansiosta antaa antamatta antoi apu asia asiaa asian asiasta asiat asioiden asioihin asioita asti avuksi avulla avun avutta + +edelle edelleen edellä edeltä edemmäs edes edessä edestä ehkä ei eikä eilen eivät eli ellei elleivät ellemme ellen ellet ellette emme en enemmän eniten ennen ensi ensimmäinen ensimmäiseksi ensimmäisen ensimmäisenä ensimmäiset ensimmäisiksi ensimmäisinä ensimmäisiä ensimmäistä ensin entinen entisen entisiä entisten entistä enää eri erittäin erityisesti eräiden eräs eräät esi esiin esillä esimerkiksi et eteen etenkin ette ettei että + +halua haluaa haluamatta haluamme haluan haluat haluatte haluavat halunnut halusi halusimme halusin halusit halusitte halusivat halutessa haluton he hei heidän heidät heihin heille heillä heiltä heissä heistä heitä helposti heti hetkellä hieman hitaasti huolimatta huomenna hyvien hyviin hyviksi hyville hyviltä hyvin hyvinä hyvissä hyvistä hyviä hyvä hyvät hyvää hän häneen hänelle hänellä häneltä hänen hänessä hänestä hänet häntä + +ihan ilman ilmeisesti itse itsensä itseään + +ja jo johon joiden joihin joiksi joilla joille joilta joina joissa joista joita joka jokainen jokin joko joksi joku jolla jolle jolloin jolta jompikumpi jona jonka jonkin jonne joo jopa jos joskus jossa josta jota jotain joten jotenkin jotenkuten jotka jotta jouduimme jouduin jouduit jouduitte joudumme joudun joudutte joukkoon joukossa joukosta joutua joutui joutuivat joutumaan joutuu joutuvat juuri jälkeen jälleen jää + +kahdeksan kahdeksannen kahdella kahdelle kahdelta kahden kahdessa kahdesta kahta kahteen kai kaiken kaikille kaikilta kaikkea kaikki kaikkia kaikkiaan kaikkialla kaikkialle kaikkialta kaikkien kaikkiin kaksi kannalta kannattaa kanssa kanssaan kanssamme kanssani kanssanne kanssasi kauan kauemmas kaukana kautta kehen keiden keihin keiksi keille keillä keiltä keinä keissä keistä keitten keittä keitä keneen keneksi kenelle kenellä keneltä kenen kenenä kenessä kenestä kenet kenettä kenties kerran kerta kertaa keskellä kesken keskimäärin ketkä ketä kiitos kohti koko kokonaan kolmas kolme kolmen kolmesti koska koskaan kovin kuin kuinka kuinkaan kuitenkaan kuitenkin kuka kukaan kukin kumpainen kumpainenkaan kumpi kumpikaan kumpikin kun kuten kuuden kuusi kuutta kylliksi kyllä kymmenen kyse + +liian liki lisäksi lisää lla luo luona lähekkäin lähelle lähellä läheltä lähemmäs lähes lähinnä lähtien läpi + +mahdollisimman mahdollista me meidän meidät meihin meille meillä meiltä meissä meistä meitä melkein melko menee menemme menen menet menette menevät meni menimme menin menit menivät mennessä mennyt menossa mihin miksi mikä mikäli mikään mille milloin milloinkan millä miltä minkä minne minua minulla minulle minulta minun minussa minusta minut minuun minä missä mistä miten mitkä mitä mitään moi molemmat mones monesti monet moni moniaalla moniaalle moniaalta monta muassa muiden muita muka mukaan mukaansa mukana mutta muu muualla muualle muualta muuanne muulloin muun muut muuta muutama muutaman muuten myöhemmin myös myöskin myöskään myötä + +ne neljä neljän neljää niiden niihin niiksi niille niillä niiltä niin niinä niissä niistä niitä noiden noihin noiksi noilla noille noilta noin noina noissa noista noita nopeammin nopeasti nopeiten nro nuo nyt näiden näihin näiksi näille näillä näiltä näin näinä näissä näistä näitä nämä + +ohi oikea oikealla oikein ole olemme olen olet olette oleva olevan olevat oli olimme olin olisi olisimme olisin olisit olisitte olisivat olit olitte olivat olla olleet ollut oma omaa omaan omaksi omalle omalta oman omassa omat omia omien omiin omiksi omille omilta omissa omista on onkin onko ovat + +paikoittain paitsi pakosti paljon paremmin parempi parhaillaan parhaiten perusteella peräti pian pieneen pieneksi pienelle pienellä pieneltä pienempi pienestä pieni pienin poikki puolesta puolestaan päälle + runsaasti -saakka -sadam -sama -samaa -samaan -samalla -samallalta -samallassa -samallasta -saman -samat -samoin -sata -sataa -satojen -se -seitsemän -sekä -sen -seuraavat -siellä -sieltä -siihen -siinä -siis -siitä -sijaan -siksi -sille -silloin -sillä -silti -siltä -sinne -sinua -sinulla -sinulle -sinulta -sinun -sinussa -sinusta -sinut -sinuun -sinä -sisäkkäin -sisällä -siten -sitten -sitä -ssa -sta -suoraan -suuntaan -suuren -suuret -suuri -suuria -suurin -suurten -taa -taas -taemmas -tahansa -tai -takaa -takaisin -takana -takia -tallä -tapauksessa -tarpeeksi -tavalla -tavoitteena -te -teidän -teidät -teihin -teille -teillä -teiltä -teissä -teistä -teitä -tietysti -todella -toinen -toisaalla -toisaalle -toisaalta -toiseen -toiseksi -toisella -toiselle -toiselta -toisemme -toisen -toisensa -toisessa -toisesta -toista -toistaiseksi -toki -tosin -tuhannen -tuhat -tule -tulee -tulemme -tulen -tulet -tulette -tulevat -tulimme -tulin -tulisi -tulisimme -tulisin -tulisit -tulisitte -tulisivat -tulit -tulitte -tulivat -tulla -tulleet -tullut -tuntuu -tuo -tuohon -tuoksi -tuolla -tuolle -tuolloin -tuolta -tuon -tuona -tuonne -tuossa -tuosta -tuota -tuotä -tuskin -tykö -tähän -täksi -tälle -tällä -tällöin -tältä -tämä -tämän -tänne -tänä -tänään -tässä -tästä -täten -tätä -täysin -täytyvät -täytyy -täällä -täältä -ulkopuolella -usea -useasti -useimmiten -usein -useita -uudeksi -uudelleen -uuden -uudet -uusi -uusia -uusien -uusinta -uuteen -uutta -vaan -vahemmän -vai -vaiheessa -vaikea -vaikean -vaikeat -vaikeilla -vaikeille -vaikeilta -vaikeissa -vaikeista -vaikka -vain -varmasti -varsin -varsinkin -varten -vasen -vasenmalla -vasta -vastaan -vastakkain -vastan -verran -vielä -vierekkäin -vieressä -vieri -viiden -viime -viimeinen -viimeisen -viimeksi -viisi -voi -voidaan -voimme -voin -voisi -voit -voitte -voivat -vuoden -vuoksi -vuosi -vuosien -vuosina -vuotta -vähemmän -vähintään -vähiten -vähän -välillä -yhdeksän -yhden -yhdessä -yhteen -yhteensä -yhteydessä -yhteyteen -yhtä -yhtäälle -yhtäällä -yhtäältä -yhtään -yhä -yksi -yksin -yksittäin -yleensä -ylemmäs -yli -ylös -ympäri -älköön -älä + +saakka sama samaa samaan samalla saman samat samoin sata sataa satojen se seitsemän sekä sen seuraavat siellä sieltä siihen siinä siis siitä sijaan siksi sille silloin sillä silti siltä sinne sinua sinulla sinulle sinulta sinun sinussa sinusta sinut sinuun sinä sisäkkäin sisällä siten sitten sitä ssa sta suoraan suuntaan suuren suuret suuri suuria suurin suurten + +taa taas taemmas tahansa tai takaa takaisin takana takia tallä tapauksessa tarpeeksi tavalla tavoitteena te teidän teidät teihin teille teillä teiltä teissä teistä teitä tietysti todella toinen toisaalla toisaalle toisaalta toiseen toiseksi toisella toiselle toiselta toisemme toisen toisensa toisessa toisesta toista toistaiseksi toki tosin tuhannen tuhat tule tulee tulemme tulen tulet tulette tulevat tulimme tulin tulisi tulisimme tulisin tulisit tulisitte tulisivat tulit tulitte tulivat tulla tulleet tullut tuntuu tuo tuohon tuoksi tuolla tuolle tuolloin tuolta tuon tuona tuonne tuossa tuosta tuota tuskin tykö tähän täksi tälle tällä tällöin tältä tämä tämän tänne tänä tänään tässä tästä täten tätä täysin täytyvät täytyy täällä täältä + +ulkopuolella usea useasti useimmiten usein useita uudeksi uudelleen uuden uudet uusi uusia uusien uusinta uuteen uutta + +vaan vai vaiheessa vaikea vaikean vaikeat vaikeilla vaikeille vaikeilta vaikeissa vaikeista vaikka vain varmasti varsin varsinkin varten vasen vasemmalla vasta vastaan vastakkain vastan verran vielä vierekkäin vieressä vieri viiden viime viimeinen viimeisen viimeksi viisi voi voidaan voimme voin voisi voit voitte voivat vuoden vuoksi vuosi vuosien vuosina vuotta vähemmän vähintään vähiten vähän välillä + +yhdeksän yhden yhdessä yhteen yhteensä yhteydessä yhteyteen yhtä yhtäälle yhtäällä yhtäältä yhtään yhä yksi yksin yksittäin yleensä ylemmäs yli ylös ympäri + +älköön älä + """.split()) From 1a1952afa53c55302288ac3417af3629d98c668d Mon Sep 17 00:00:00 2001 From: Michael Wallin Date: Sat, 4 Feb 2017 13:47:29 +0200 Subject: [PATCH 3/4] [finnish] Add initial tests for tokenizer --- spacy/tests/conftest.py | 8 +++++++- spacy/tests/fi/__init__.py | 0 spacy/tests/fi/test_tokenizer.py | 18 ++++++++++++++++++ 3 files changed, 25 insertions(+), 1 deletion(-) create mode 100644 spacy/tests/fi/__init__.py create mode 100644 spacy/tests/fi/test_tokenizer.py diff --git a/spacy/tests/conftest.py b/spacy/tests/conftest.py index de7ecae9b..3d9e0adcc 100644 --- a/spacy/tests/conftest.py +++ b/spacy/tests/conftest.py @@ -10,6 +10,7 @@ from ..pt import Portuguese from ..nl import Dutch from ..sv import Swedish from ..hu import Hungarian +from ..fi import Finnish from ..tokens import Doc from ..strings import StringStore from ..lemmatizer import Lemmatizer @@ -23,7 +24,7 @@ import pytest LANGUAGES = [English, German, Spanish, Italian, French, Portuguese, Dutch, - Swedish, Hungarian] + Swedish, Hungarian, Finnish] @pytest.fixture(params=LANGUAGES) @@ -62,6 +63,11 @@ def hu_tokenizer(): return Hungarian.Defaults.create_tokenizer() +@pytest.fixture +def fi_tokenizer(): + return Finnish.Defaults.create_tokenizer() + + @pytest.fixture def stringstore(): return StringStore() diff --git a/spacy/tests/fi/__init__.py b/spacy/tests/fi/__init__.py new file mode 100644 index 000000000..e69de29bb diff --git a/spacy/tests/fi/test_tokenizer.py b/spacy/tests/fi/test_tokenizer.py new file mode 100644 index 000000000..baae9b9a4 --- /dev/null +++ b/spacy/tests/fi/test_tokenizer.py @@ -0,0 +1,18 @@ +# encoding: utf8 +from __future__ import unicode_literals + +import pytest + +ABBREVIATION_TESTS = [ + ('Hyvää uutta vuotta t. siht. Niemelä!', ['Hyvää', 'uutta', 'vuotta', 't.', 'siht.', 'Niemelä', '!']), + ('Paino on n. 2.2 kg', ['Paino', 'on', 'n.', '2.2', 'kg']) +] + +TESTCASES = ABBREVIATION_TESTS + + +@pytest.mark.parametrize('text,expected_tokens', TESTCASES) +def test_tokenizer_handles_testcases(fi_tokenizer, text, expected_tokens): + tokens = fi_tokenizer(text) + token_list = [token.text for token in tokens if not token.is_space] + assert expected_tokens == token_list From 55b1e5e682a1768cc2b4dc53eb062931dfa1d4bd Mon Sep 17 00:00:00 2001 From: Michael Wallin Date: Sat, 4 Feb 2017 13:48:04 +0200 Subject: [PATCH 4/4] [finnish] Add contributor file --- .github/contributors/wallinm1.md | 106 +++++++++++++++++++++++++++++++ 1 file changed, 106 insertions(+) create mode 100644 .github/contributors/wallinm1.md diff --git a/.github/contributors/wallinm1.md b/.github/contributors/wallinm1.md new file mode 100644 index 000000000..9c6d0bb88 --- /dev/null +++ b/.github/contributors/wallinm1.md @@ -0,0 +1,106 @@ +# spaCy contributor agreement + +This spaCy Contributor Agreement (**"SCA"**) is based on the +[Oracle Contributor Agreement](http://www.oracle.com/technetwork/oca-405177.pdf). +The SCA applies to any contribution that you make to any product or project +managed by us (the **"project"**), and sets out the intellectual property rights +you grant to us in the contributed materials. The term **"us"** shall mean +[ExplosionAI UG (haftungsbeschränkt)](https://explosion.ai/legal). The term +**"you"** shall mean the person or entity identified below. + +If you agree to be bound by these terms, fill in the information requested +below and include the filled-in version with your first pull request, under the +folder [`.github/contributors/`](/.github/contributors/). The name of the file +should be your GitHub username, with the extension `.md`. For example, the user +example_user would create the file `.github/contributors/example_user.md`. + +Read this agreement carefully before signing. These terms and conditions +constitute a binding legal agreement. + +## Contributor Agreement + +1. The term "contribution" or "contributed materials" means any source code, +object code, patch, tool, sample, graphic, specification, manual, +documentation, or any other material posted or submitted by you to the project. + +2. With respect to any worldwide copyrights, or copyright applications and +registrations, in your contribution: + + * you hereby assign to us joint ownership, and to the extent that such + assignment is or becomes invalid, ineffective or unenforceable, you hereby + grant to us a perpetual, irrevocable, non-exclusive, worldwide, no-charge, + royalty-free, unrestricted license to exercise all rights under those + copyrights. This includes, at our option, the right to sublicense these same + rights to third parties through multiple levels of sublicensees or other + licensing arrangements; + + * you agree that each of us can do all things in relation to your + contribution as if each of us were the sole owners, and if one of us makes + a derivative work of your contribution, the one who makes the derivative + work (or has it made will be the sole owner of that derivative work; + + * you agree that you will not assert any moral rights in your contribution + against us, our licensees or transferees; + + * you agree that we may register a copyright in your contribution and + exercise all ownership rights associated with it; and + + * you agree that neither of us has any duty to consult with, obtain the + consent of, pay or render an accounting to the other for any use or + distribution of your contribution. + +3. With respect to any patents you own, or that you can license without payment +to any third party, you hereby grant to us a perpetual, irrevocable, +non-exclusive, worldwide, no-charge, royalty-free license to: + + * make, have made, use, sell, offer to sell, import, and otherwise transfer + your contribution in whole or in part, alone or in combination with or + included in any product, work or materials arising out of the project to + which your contribution was submitted, and + + * at our option, to sublicense these same rights to third parties through + multiple levels of sublicensees or other licensing arrangements. + +4. Except as set out above, you keep all right, title, and interest in your +contribution. The rights that you grant to us under these terms are effective +on the date you first submitted a contribution to us, even if your submission +took place before the date you sign these terms. + +5. You covenant, represent, warrant and agree that: + + * Each contribution that you submit is and shall be an original work of + authorship and you can legally grant the rights set out in this SCA; + + * to the best of your knowledge, each contribution will not violate any + third party's copyrights, trademarks, patents, or other intellectual + property rights; and + + * each contribution shall be in compliance with U.S. export control laws and + other applicable export and import laws. You agree to notify us if you + become aware of any circumstance which would make any of the foregoing + representations inaccurate in any respect. We may publicly disclose your + participation in the project, including the fact that you have signed the SCA. + +6. This SCA is governed by the laws of the State of California and applicable +U.S. Federal law. Any choice of law rules will not apply. + +7. Please place an “x” on one of the applicable statement below. Please do NOT +mark both statements: + + * [x] I am signing on behalf of myself as an individual and no other person + or entity, including my employer, has or will have rights with respect my + contributions. + + * [ ] I am signing on behalf of my employer or a legal entity and I have the + actual authority to contractually bind that entity. + +## Contributor Details + +| Field | Entry | +|------------------------------- | -------------------------------- | +| Name | Michael Wallin | +| Company name (if applicable) | | +| Title or role (if applicable) | | +| Date | 2017-02-04 | +| GitHub username | wallinm1 | +| Website (optional) | |