如何计算短语并将短语用作 Python 中的标题？答案

【问题标题】：How can I count phrases and use the phrases as headers in Python?如何计算短语并将短语用作 Python 中的标题？
【发布时间】：2013-02-26 20:01:46
【问题描述】：

我有一个文件，我试图在其中获取短语计数。在某些文本行中，我需要计算大约 100 个短语。作为一个简单的例子，我有以下内容：

phrases = """hello
name
john doe
"""

text1 = 'id=1: hello my name is john doe.  hello hello.  how are you?'
text2 = 'id=2: I am good.  My name is Jane.  Nice to meet you John Doe'

header = ''
for phrase in phrases.splitlines():
    header = header+'|'+phrase
header = 'id'+header

我希望能够得到如下所示的输出：

id|hello|name|john doe
1|3|1|1
2|0|1|1

我把标题放下了。我只是不确定如何计算每个短语并附加输出。

【问题讨论】：

标签： python text count

【解决方案1】：

创建标题列表

In [6]: p=phrases.strip().split('\n')

In [7]: p
Out[7]: ['hello', 'name', 'john doe']

使用word-boundaries 即\b 的正则表达式来获取避免部分匹配的出现次数。标志re.I 使搜索不区分大小写。

In [11]: import re

In [14]: re.findall(r'\b%s\b' % p[0], text1)
Out[14]: ['hello', 'hello', 'hello']

In [15]: re.findall(r'\b%s\b' % p[0], text1, re.I)
Out[15]: ['hello', 'hello', 'hello']

In [16]: re.findall(r'\b%s\b' % p[1], text1, re.I)
Out[16]: ['name']

In [17]: re.findall(r'\b%s\b' % p[2], text1, re.I)
Out[17]: ['john doe']

在其周围放置一个len() 以获得找到的模式数量。

【讨论】：

非常感谢。这正是我所需要的。

【解决方案2】：

您可以使用 .count() 计算字符串中的单词

>>> text1.lower().count('hello')
3

所以这应该可以工作（除了下面的 cmets 中提到的不匹配）

phrases = """hello
name
john doe
"""

text1 = 'id=1: hello my name is john doe.  hello hello.  how are you?'
text2 = 'id=2: I am good.  My name is Jane.  Nice to meet you John Doe'

texts = [text1,text2]

header = ''
for phrase in phrases.splitlines():
    header = header+'|'+phrase
header = 'id'+header
print header

for id,text in enumerate(texts):
    textcount = [id]
    for phrase in header.split('|')[1:]:
        textcount.append(text.lower().count(phrase))
    print "|".join(map(str,textcount))

以上假设您有一个按id 顺序排列的文本列表，但如果它们都以'id=n' 开头，您可以执行以下操作：

for text in texts:
    id = text[3]  # assumes id is 4th char
    textcount = [id]

【讨论】：

太好了。我知道这一定很简单。我试图用空格分割文本，结果一团糟。谢谢！
在这种情况下单独使用.count() 可能会因为意外匹配而变得危险。例如，考虑“奥赛罗”或“珐琅”。
@DSM 是的，我想解决方案是使用正则表达式，但我无能为力。

【解决方案3】：

虽然它没有回答你的问题（@askewchan 和 @Fredrik 已经这样做了），但我想我会就你的其余方法提供一些建议：

在列表中定义您的短语可能会更好地为您服务：

phrases = ['hello', 'name', 'john doe']

然后让您在创建标头时跳过循环：

header = 'id|' + '|'.join (phrases)

您可以在 askewchan 的回答中省略 .split ('|')[1:] 部分，例如，只支持 for phrase in phrases:

【讨论】：

@myname 不用担心，希望对您有所帮助

【解决方案4】：

phrases = """hello
name
john doe
"""

text1 = 'id=1: hello my name is john doe.  hello hello.  how are you?'
text2 = 'id=2: I am good.  My name is Jane.  Nice to meet you John Doe'

import re
import collections

txts = [text1, text2]
phrase_list = phrases.split()
print "id|%s" % "|".join([ p for p in phrase_list])
for txt in txts:
    (tid, rest) = re.match("id=(\d):\s*(.*)", txt).groups()

    counter = collections.Counter(re.findall("\w+", rest))
    print "%s|%s" % ( tid, "|".join([str(counter.get(p, 0)) for p in phrase_list]))

给予：

id|hello|name|john|doe
1|3|1|1|1
2|0|1|0|0

【讨论】：