python - zip(*) 是如何生成 n-gram 的？

Question

我正在复习一些关于 n-gram 的笔记，我遇到了几个有趣的函数。首先是生成二元语法:

def bigrams(word):
    return sorted(list(set(''.join(bigram)
                           for bigram in zip(word,word[1:]))))

def bigram_print(word):
    print("The bigrams of", word, "are:")
    print(bigrams(word))

bigram_print("ababa")
bigram_print("babab")

在读了一些书并自己玩了 Python 之后，我明白了为什么会这样。但是，在看这个函数的时候，我很疑惑这里使用了zip(*word[i:])。我知道 * 是一个解包运算符(如 here 所解释的)，但我真的被它如何结合此处的列表理解所困扰。谁能解释一下？

def ngrams(word, n):
    return sorted(list(set(''.join(ngram)
                           for ngram in zip(*[word[i:]
                                              for i in range(n)]))))

def ngram_print(word, n):
    print("The {}-grams of {} are:".format(n, word))
    print(ngrams(word, n))

for n in [2, 3, 4]:
    ngram_print("ababa", n)
    ngram_print("babab", n)
    print()

Answer 1

下面的例子应该解释这是如何工作的。我添加了代码和它的可视化表示。

直觉

核心思想是将同一个列表的多个版本压缩在一起，每个版本都从下一个后续元素开始。

假设 L 是单词/元素列表 ['A', 'B', 'C', 'D']

然后，这里发生的事情是 L、L[1:]、L[2:] 被压缩，这意味着每个元素的第一个元素(第一个、第二个和L) 的第三个元素组合在一起，第二个元素组合在一起，依此类推..

视觉上这可以显示为:

我们担心的说法-

  zip (   *    [L[i:] for i in range(n)])
#|___||_______||________________________|     
#  |      |                  |
# zip  unpack    versions of L with subsequent 0 to n elements skipped

代码示例

l = ['A','B','C','D']

print('original list: '.ljust(27),l)
print('list skipping 1st element: ',l[1:])
print('list skipping 2 elements: '.ljust(27),l[2:])
print('bi-gram: '.ljust(27), list(zip(l,l[1:])))
print('tri-gram: '.ljust(27), list(zip(l,l[1:],l[2:])))

original list:              ['A', 'B', 'C', 'D']
list skipping 1st element:  ['B', 'C', 'D']
list skipping 2 elements:   ['C', 'D']
bi-gram:                    [('A', 'B'), ('B', 'C'), ('C', 'D')]
tri-gram:                   [('A', 'B', 'C'), ('B', 'C', 'D')]

如您所见，您基本上是在压缩同一个列表，但跳过了一个。这将 (A, B) 和 (B, C) ... 压缩在一起以获得双字母组。

* 运算符用于解包。当您更改 i 值以跳过元素时，您基本上是在压缩 [l[0:]、l[1:]、l[2:]...] 的列表。这将传递给 zip() 并使用 * 在其中解压缩。

zip(*[word[i:] for i in range(n)] #where word is the list of words

---

替代列表理解

上面的列表理解等价于-

n = 3
lists = []
for i in range(3):
    print(l[i:])        #comment this if not needed
    lists.append(l[i:])
    
out = list(zip(*lists))
print(out)

['A', 'B', 'C', 'D']
['B', 'C', 'D']
['C', 'D']

[('A', 'B', 'C'), ('B', 'C', 'D')]