- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
首先,这是家庭作业,所以我只想提出建议。我正在编写一个生成加权倒排索引的程序。加权倒排索引是以词为键的字典;该值是一个列表列表,列表中的每个项目都包含文档编号,以及该词在文档中出现的次数。
例如,
{"a": [[1, 2],[2,1]]}
The word "a" appears twice in document 1 and once in document 2.
我正在练习两个小文件。
文件1.txt:
Where should I go
When I want to have
A smoke,
A pancake,
and a nap.
文件2.txt:
I do not know
Where my pancake is
I want to take a nap.
这是我的程序代码:
def cleanData(myFile):
file = open(myFile, "r")
data = file.read()
wordList = []
#All numbers and end-of-sentence punctuation
#replaced with the empty string
#No replacement of apostrophes
formattedData = data.strip().lower().replace(",","")\
.replace(".","").replace("!","").replace("?","")\
.replace(";","").replace(":","").replace('"',"")\
.replace("1","").replace("2","").replace("3","")\
.replace("4","").replace("5","").replace("6","")\
.replace("7","").replace("8","").replace("9","")\
.replace("0","")
words = formattedData.split() #creates a list of all words in the document
for word in words:
wordList.append(word) #adds each word in a document to the word list
return wordList
def main():
fullDict = {}
files = ["file1.txt", "file2.txt"]
docNumber = 1
for file in files:
wordList = cleanData(file)
for word in wordList:
if word not in fullDict:
fullDict[word] = []
fileList = [docNumber, 1]
fullDict[word].append(fileList)
else:
listOfValues = list(fullDict.values())
for x in range(len(listOfValues)):
if docNumber == listOfValues[x][0]:
listOfValues[x][1] +=1
fullDict[word] = listOfValues
break
fileList = [docNumber,1]
fullDict[word].append(fileList)
docNumber +=1
return fullDict
我想做的是生成这样的东西:
{"a": [[1,3],[2,1]], "nap": [[1,1],[2,1]]}
我得到的是这样的:
{"a": [[1,1],[1,1],[1,1],[2,1]], "nap": [[1,1],[2,1]]}
它记录了所有文档中每个词的所有出现,但它单独记录了重复。我想不通。任何帮助,将不胜感激!先感谢您。 :)
最佳答案
您的代码中存在两个主要问题。
问题一
listOfValues = list(fullDict.values())
for x in range(len(listOfValues)):
if docNumber == listOfValues[x][0]:
在这里,您获取字典的所有值,不考虑当前单词,并增加计数,但您应该增加与当前单词对应的列表中的计数。所以,你应该把它改成
listOfValues = fullDict[word]
问题2
fileList = [docNumber,1]
fullDict[word].append(fileList)
除了增加所有单词的计数外,您总是向 fullDict
添加一个新值。但您应该添加它,前提是 docNumber
不在 listOfValues
中。因此,您可以在 for
循环中使用 else
,如下所示
for word in wordList:
if word not in fullDict:
....
else:
listOfValues = fullDict[word]
for x in range(len(listOfValues)):
....
else:
fileList = [docNumber, 1]
fullDict[word].append(fileList)
进行这两项更改后,我得到了以下输出
{'a': [[1, 3], [2, 1]],
'and': [[1, 1]],
'do': [[2, 1]],
'go': [[1, 1]],
'have': [[1, 1]],
'i': [[1, 2], [2, 2]],
'is': [[2, 1]],
'know': [[2, 1]],
'my': [[2, 1]],
'nap': [[1, 1], [2, 1]],
'not': [[2, 1]],
'pancake': [[1, 1], [2, 1]],
'should': [[1, 1]],
'smoke': [[1, 1]],
'take': [[2, 1]],
'to': [[1, 1], [2, 1]],
'want': [[1, 1], [2, 1]],
'when': [[1, 1]],
'where': [[1, 1], [2, 1]]}
很少有改进代码的建议。
您实际上可以使用字典来代替列表来存储文档编号和计数。这会让你的生活更轻松。
您可以使用 collections.Counter
而不是手动计数.
您可以使用一个简单的正则表达式,而不是使用多个替换,就像这样
formattedData = re.sub(r'[.!?;:"0-9]', '', data.strip().lower())
如果我要清理cleanData
,我会这样做
import re
def cleanData(myFile):
with open(myFile, "r") as input_file:
data = input_file.read()
return re.sub(r'[.!?;:"0-9]', '', data.strip().lower()).split()
在 main
循环中,您可以像这样使用 Brad Budlong 建议的改进
def main():
fullDict = {}
files = ["file1.txt", "file2.txt"]
for docNumber, currentFile in enumerate(files, 1):
for word in cleanData(currentFile):
if word not in fullDict:
fullDict[word] = [[docNumber, 1]]
else:
for x in fullDict[word]:
if docNumber == x[0]:
x[1] += 1
break
else:
fullDict[word].append([docNumber, 1])
return fullDict
关于用于加权倒排索引的 Python 3 字典,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/29957651/
我在为 MacOSX 构建的独立包中添加 DMG 背景的自定义图标时遇到问题。我在项目的根目录中添加了一个包。正在从中加载自定义图标,但没有加载 DMG 背景图标。我正在使用 Java fx 2.2.
Qt for Symbian 和 Qt for MeeGo 有什么区别?我知道 Qt 是一个交叉编译平台。这是否意味着如果我使用来自 Qt 的库,完全相同的库可以在所有支持 Qt 的设备(例如 Sym
我正在尝试使用 C# .NET 3.5/4.0 务实地运行 SQL Server 数据库的备份。我已经找到了如何完成此操作,但是我似乎找不到用于备份的命名空间库。 我正在寻找 Microsoft.Sq
我最近在疯狂学习 Java,但我通常是一名 .NET 开发人员。 (所以请原谅我的新手问题。) 在 .Net 中,我可以在不使用 IIS 的情况下开发 ASP.Net 页面,因为它有一个简化的 Web
这post仅当打印命令中有字符串时才有用。现在我有大量的源代码,其中包含一条声明,例如 print milk,butter 应该格式化为 print(milk,butter) 用\n 捕获行尾并不成功
所以我的问题是: https://gist.github.com/panSarin/4a221a0923927115584a 当我保存这个表格时,我收到了标题中的错误 NoMethodError (u
如何让 Html5 音频在点击时播放声音? (ogg 用于 Firefox 等浏览器,mp3 用于 chrome 等浏览器) 到目前为止,我可以通过 onclick 更改为单个文件类型,但我无法像在普
如果it1和it2有什么区别? std::set s; auto it1 = std::inserter(s, s.begin()); auto it2 = std::inserter(s, s.en
4.0.0 com.amkit myapp SpringMVCFirst
我目前使用 Eclipse 作为其他语言的 IDE,而且我习惯于不必离开 IDE 做任何事情 - 但是我真的很难为纯 ECMAScript-262 找到相同或类似的设置。 澄清一下,我不是在寻找 DO
我想将带有字符串数组的C# 结构发送到C++ 函数,该函数接受void * 作为c# 结构和char** 作为c# 结构字符串数组成员。 我能够将结构发送到 c++ 函数,但问题是,无法从 c++ 函
我正在使用动态创建的链接: 我想为f:param附加自定义转换器,以从#{name}等中删除空格。 但是f:param中没有转换器
是否可以利用Redis为.NET创建后写或直写式缓存?理想情况下,透明的高速缓存是由单个进程写入的,并且支持从数据库加载丢失的数据,并每隔一段时间持久保存脏块? 我已经搜查了好几个小时,也许是goog
我正在通过bash执行命令的ssh脚本。 FILENAMES=( "export_production_20200604.tgz" "export_production_log_2020060
我需要一个正则表达式来出现 0 到 7 个字母或 0 到 7 个数字。 例如:匹配:1234、asdbs 不匹配:123456789、absbsafsfsf、asf12 我尝试了([a-zA-Z]{0
我有一个用于会计期间的表格,该表格具有期间结束和开始的开始日期和结束日期。我使用此表来确定何时发生服务交易以及何时在查询中收集收入,例如... SELECT p.PeriodID, p.FiscalY
我很难为只接受字符或数字的 Laravel 构建正则表达式验证。它是这样的: 你好<-好的 123 <- 好的 你好123 <-不行 我现在的正则表达式是这样的:[A-Za-z]|[0-9]。 reg
您实际上会在 Repeater 上使用 OnItemDataBound 做什么? 最佳答案 “此事件为您提供在客户端显示数据项之前访问数据项的最后机会。引发此事件后,数据项将被清空,不再可用。” ~
我有一个 fragment 工作正常的项目,我正在使用 jeremyfeinstein 的 actionbarsherlock 和滑动菜单, 一切正常,但是当我想自定义左侧抽屉列表单元格时,出现异常
最近几天,我似乎平均分配时间在构建我的第一个应用程序和在这里发布问题!! 这是我的第一个应用程序,也是我们的设计师完成的第一个应用程序。我试图满足他所做的事情的外观和感觉,但我认为他没有做适当的事情。
我是一名优秀的程序员,十分优秀!