Update Portuguese lexical attributes

spacy/lang/pt/lex_attrs.py

@@ -1,21 +1,38 @@
 # coding: utf8
 from __future__ import unicode_literals
 
+from ...attrs import LIKE_NUM
 
-# Number words
 
-NUM_WORDS = set("""
-zero um dois três quatro cinco seis sete oito nove dez onze doze treze catorze
-quinze dezasseis dezassete dezoito dezanove vinte trinta quarenta cinquenta
-sessenta setenta oitenta noventa cem mil milhão bilião trilião quadrilião
-""".split())
+_num_words = ['zero', 'um', 'dois', 'três', 'quatro', 'cinco', 'seis', 'sete',
+              'oito', 'nove', 'dez', 'onze', 'doze', 'treze', 'catorze',
+              'quinze', 'dezasseis', 'dezassete', 'dezoito', 'dezanove', 'vinte',
+              'trinta', 'quarenta', 'cinquenta', 'sessenta', 'setenta',
+              'oitenta', 'noventa', 'cem', 'mil', 'milhão', 'bilião', 'trilião',
+              'quadrilião']
 
-# Ordinal words
+_ord_words = ['primeiro', 'segundo', 'terceiro', 'quarto', 'quinto', 'sexto',
+              'sétimo', 'oitavo', 'nono', 'décimo', 'vigésimo', 'trigésimo',
+              'quadragésimo', 'quinquagésimo', 'sexagésimo', 'septuagésimo',
+              'octogésimo', 'nonagésimo', 'centésimo', 'ducentésimo',
+              'trecentésimo', 'quadringentésimo', 'quingentésimo', 'sexcentésimo',
+              'septingentésimo', 'octingentésimo', 'nongentésimo', 'milésimo',
+              'milionésimo', 'bilionésimo']
 
-ORDINAL_WORDS = set("""
-primeiro segundo terceiro quarto quinto sexto sétimo oitavo nono décimo
-vigésimo trigésimo quadragésimo quinquagésimo sexagésimo septuagésimo
-octogésimo nonagésimo centésimo ducentésimo trecentésimo quadringentésimo
-quingentésimo sexcentésimo septingentésimo octingentésimo nongentésimo
-milésimo milionésimo bilionésimo
-""".split())
+
+def like_num(text):
+    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
+}