python НЛП и регулярное выражение отсутствует пробел между словами

Question

Я пытаюсь обработать большой текстовый файл, используя NLTK и регулярное выражение. После нескольких кодов я обнаружил, что между некоторыми словами отсутствует пробел. Ниже приведены мои коды и примеры этих слов, сгруппированных вместе из-за отсутствующего пробела. Я был бы очень признателен, если бы вы помогли мне понять, какая часть кода повторного вызова вызывает проблему.

Данные, с которых я начал:

news 99 ¢ Only Stores_6-9- 2008 99 ¢ Только магазины (r) Выпускает предупредительные отзывы ... APP Pharmaceuticals_3-26-2011 APP Pharmaceuticals выпускает общенациональный объем ... Abbott Diabetes Care_12-22-2010 Abbott Diabetes Care объявляет об отзыве Certa ... Abbott Nutrition_1-19 -2009 Abbott Nutrition объявляет о добровольном отзыве ... Abbott_5-25-2007 Abbott объявляет о добровольном общенациональном отзыве o ...

import pandas as pd
pd.set_option('max_colwidth',50)

data_df = pd.DataFrame.from_dict(data_combined).transpose()
data_df.columns = ['news']
data_df = data_df.sort_index()

def clean_text_round1 (text):

    text=text.split()
    re_punc = re.compile('[%s]' % re.escape(string.punctuation))
    text = [re_punc.sub('', w) for w in text]
    text = [word for word in text if word.isalpha()]  
    #lem = WordNetLemmatizer()
    #text = [lem.lemmatize(word) for word in text]
    porter = PorterStemmer()
    text = [porter.stem(word) for word in text]
    text = [word for word in text if len(word) > 3]

    return text

round1 = lambda x: clean_text_round1(x)

data_clean = pd.DataFrame(data_df.news.apply(round1))


def clean_text_round2(data_clean):

    data_clean = re.sub('^[A-Z]\w*', '', data_clean)
    data_clean = re.sub('[%s]' % re.escape(string.punctuation), '', data_clean)
    data_clean = re.sub('[‘’“”…]', '', data_clean)
    data_clean = re.sub('(\n|¢)', '', data_clean)
    data_clean = re.sub('\[.*?\]', '', data_clean)    
    data_clean = re.sub('\w*\d\w*', '', data_clean)
    data_clean = data_clean.lower().strip()    
    return data_clean

round2 = lambda x: clean_text_round2(x)

data_clean = pd.DataFrame(data_df.news.apply(round2))

Некоторые примеры неправильного вывода:

abbottabbott, abbottdocument , alexandraspmcommunicationscom, americacustomers