單詞相親——大文本集合,相似單詞歸類
問題描述:對於一個文本集合,把相似的單詞進行歸類。
(相似單詞定義:兩個單詞只有一個字母不一樣!)
方法一:暴力窮舉法
遍歷文本中的每個單詞,找出在文本中與其相似的單詞,算法的時間複雜度是o(n2)。對於常見的英文詞典,差不多有將近20000個單詞,那麼需要經過4億次運算,時間驚人,實際行不通。
方法二:正則表達式
從相似單詞的特點入手。
‘son’和‘sun’都可以用正則表達式中的‘s.n’來表示,其中‘.’在正則表達式中可以代表任意的符號。
我們使用一個字典結構:key是正則字符串 ,value:是相似單詞的集合。
舉個例子:對於單詞’son’,那麼符合它的正則匹配有:‘.on’、‘s.n’、‘so.’,那麼字典中,分別是:key:’.on’,value:‘son’;key:‘s.n’,value:‘son’;key:‘so.’,value:‘son’。對於單詞‘sun’,進行同樣的計算,同時字典開始更新:key:’.un’,value:‘sun’;key:‘s.n’,value:[‘son’,‘sun’];key:‘so.’,value:‘son’;key:‘su.’,value:‘sun’。這樣遍歷文本,最後的時間複雜度是o(n)。
代碼:
from collections import defaultdict #使用了默認字典
import re
words_dict = defaultdict(set) #詞典的value值默認爲set(非重複的相似單詞集合,例如‘son’和‘sun’)
def cal_similar_words(word):
if len(word) != 0:
for item in word:
pattern = word.replace(item, '.')
words_dict[pattern].add(word)
#找出《老人與海》簡介中相似的單詞
with open(r'C:\Users\13721\Documents\Old_Man_and_Sea.txt') as file:
words_list = re.findall(r'\w+', file.read())
for item in set(words_list):
cal_similar_words(item.lower())
for i in words_dict.values():
if len(i) >= 2: # 打印長度不小於2的values,裏面是相似單詞
print(i)
運行結果
{'84', '87'}
{'shark', 'shack'}
{'some', 'home'}
{'sail', 'said'}
{'in', 'an', 'on'}
{'of', 'on'}
{'feet', 'feed'}
{'in', 'is', 'it'}
{'gear', 'near'}
{'his', 'has'}
{'has', 'had'}
{'most', 'mast'}
{'oar', 'far'}
{'for', 'far'}
{'to', 'so', 'no'}
{'end', 'and'}
{'and', 'any'}
{'now', 'how'}
{'now', 'new'}
{'a', 's'}
{'sail', 'tail'}
{'it', 'at'}
{'him', 'his'}
{'he', 'be'}
{'by', 'be'}
{'an', 'at', 'as'}
{'day', 'way'}
{'thus', 'this'}
{'is', 'as'}
{'line', 'life'}
{'out', 'but'}
{'takes', 'makes', 'wakes'}
歡迎關注,敬請點贊!
返回頂部