单词

Question

我最初在这里发布了这个问题，但后来被告知将其发布到代码审查；然而，他们告诉我，我的问题需要在这里发布。我会试着更好地解释我的问题，希望没有混淆。我正在尝试编写一个单词一致性程序，它将执行以下操作：

1） 读“停”字。txt文件放入一个只包含停止词的字典（使用与您计时的字典类型相同的字典），称为stopWordDict。（警告：在将换行符（'\n'）添加到stopWordDict之前，请先将其从停止字的末尾删除）

2） 处理战争与和平。txt文件一次一行，以构建单词一致性词典（称为wordConcordanceDict），其中包含键的“主要”单词，并将其关联的行号列表作为其值。

3）按字母顺序遍历单词ConcordanceDector，生成包含按字母顺序打印出的一致性单词及其相应行号的文本文件。

我在一个小文件上测试了我的程序，上面有一个简短的停止词列表，它工作正常（下面提供了一个例子）。结果是我所期望的，一个包含行数的主要单词列表，不包括stop_words_small.txt文件中的单词。我测试的小文件和我实际上试图测试的主文件之间的唯一区别是主文件要长得多，并且包含标点符号。所以我遇到的问题是，当我用主文件运行我的程序时，我得到了比预期更多的结果。我得到比预期更多结果的原因是因为标点符号没有从文件中删除。

例如，下面是结果的一部分，其中我的代码将Dmitri作为四个独立的单词计算，因为单词后面的大小写和标点符号不同。如果我的代码正确地删除标点符号，单词Dmitri将被算作一个单词，后面跟着所有找到的位置。我的输出也是分隔大小写单词，所以我的代码也没有使文件小写。

我的代码当前显示的内容：

Dmitri : [2528, 3674, 3687, 3694, 4641, 41131]

Dmitri! : [16671, 16672]

Dmitri, : [2530, 3676, 3685, 13160, 16247]

dmitri : [2000]

我的代码应该显示什么：

dmitri : [2000, 2528, 2530, 3674, 3676, 3685, 3687, 3694, 4641, 13160, 16671, 16672, 41131]

单词被定义为由任何非字母分隔的字母序列。大写字母和小写字母之间也应该没有区别，但我的程序也会将它们分开；但是，空行应计入行号中。

下面是我的代码，如果有人能看一下，并给我任何关于我做错了什么的反馈，我将不胜感激。提前谢谢你。

import re

def main():
    stopFile = open("stop_words.txt","r")
    stopWordDict = dict()

    for line in stopFile:
        stopWordDict[line.lower().strip("\n")] = []

    hwFile = open("WarAndPeace.txt","r")
    wordConcordanceDict = dict()
    lineNum = 1

    for line in hwFile:
        wordList = re.split(" |\n|\.|\"|\)|\(", line)
        for word in wordList:
            word.strip(' ')
            if (len(word) != 0) and word.lower() not in stopWordDict:
                if word in wordConcordanceDict:
                    wordConcordanceDict[word].append(lineNum)
                else:
                    wordConcordanceDict[word] = [lineNum]
        lineNum = lineNum + 1

    for word in sorted(wordConcordanceDict):
        print (word," : ",wordConcordanceDict[word])


if __name__ == "__main__":
main()

这里的另一个例子和参考是我用完美工作的停止词的小列表测试的小文件。

stop_words_small.txt档案

a, about, be, by, can, do, i, in, is, it, of, on, the, this, to, was

small_file.txt

This is a sample data (text) file to
be processed by your word-concordance program.

The real data file is much bigger.

正确输出

bigger: 4

concordance: 2

data: 1 4

file: 1 4

much: 4

processed: 2

program: 2

real: 4

sample: 1

text: 1

word: 2

your: 2

Answer 1

你可以这样做：

import re
from collections import defaultdict

wordConcordanceDict = defaultdict(list)

with open('stop_words_small.txt') as sw:
    words = (line.strip() for line in sw)
    stop_words = set(words)

with open('small_file.txt') as f:
    for line_number, line in enumerate(f, 1):
        words = (re.sub(r'[^\w\s]','',word).lower() for word in line.split())
        good_words = (word for word in words if word not in stop_words)
        for word in good_words:
            wordConcordanceDict[word].append(line_number)

for word in sorted(wordConcordanceDict):
    print('{}: {}'.format(word, ' '.join(map(str, wordConcordanceDict[word]))))

输出：

bigger: 4
data: 1 4
file: 1 4
much: 4
processed: 2
program: 2
real: 4
sample: 1
text: 1
wordconcordance: 2
your: 2

明天我会补充说明，这里时间不早了；）。同时，如果代码的某些部分对您来说不清楚，您可以在注释中询问。