python - 如何将由可打印字符组成的字符串映射到整数

Question

我从古腾堡项目下载了一本书。对于编码项目，我需要将每个单词映射到正整数。单词中的字母都是可打印的，但本书使用的完整字母表大小为 75。这包括标点符号。

如何将每个单词映射到一个整数？相同的单词应始终映射到相同的整数，但不同的单词应映射到不同的整数。

输入是单词列表。例如:

'[', 'Emma', 'by', 'Jane', 'Austen', '1816', ']', 'VOLUME', 'I', 'CHAPTER',...

理想情况下，我希望避免仅仅为了映射第一个单词而读取整个输入。

Answer 1

from itertools import count

class WordMap:
    def __init__(self):
        self._words = {}
        self._counter = count()
    
    def add(self, word):
        if word not in self._words:
            self._words[word] = next(self._counter) 
    
    def __getitem__(self, word):
        return self._words[word]
    
    def __repr__(self):
        return repr(self._words)

演示:

>>> wm = WordMap()
>>> wm.add('Emma')
>>> wm
{'Emma': 0}
>>> wm.add('test')
>>> wm
{'Emma': 0, 'test': 1}
>>> wm.add('Emma')
>>> wm
{'Emma': 0, 'test': 1}

可能需要根据您的用例进行一些调整。例如，如果您希望 WordMap 不区分大小写，则只能将小写版本的单词添加到 self._words 中。