在 Mathematica 中搜索项出现的次数

Question

我正在尝试在 Mathematica 8 (12k+) 中搜索大量文本文件。到目前为止，我已经能够绘制出一个单词出现的绝对次数（即“爱”这个词在这 12k 个文件中出现了 5000 次）。但是，我很难确定“love”出现一次的文件数量——可能只有 1,000 个文件，而在其他文件中会重复多次。

我发现文档 WRT FindList、流、RecordSeparators 等有点模糊。有没有办法设置它，让它在文件中找到一个术语的出现一次，然后移动到下一个？

文件列表示例：

{“89001.txt”、“89002.txt”、“89003.txt”、“89004.txt”、“89005.txt”、“89006.txt”、“89007.txt”、“89008.txt” "、"89009.txt"、"89010.txt"、"89011.txt"、"89012.txt"、"89013.txt"、"89014.txt"、"89015.txt"、"89016.txt"、 “89017.txt”、“89018.txt”、“89019.txt”、“89020.txt”、“89021.txt”、“89022.txt”、“89023.txt”、“89024.txt”}

以下内容返回每个文件中带有爱的所有行。有没有办法只返回每个文件中的第一次爱，然后再转到下一个？

FindList[filelist, "love"]

非常感谢。这是我的第一篇文章，我主要通过同行/主管帮助、在线教程和文档来学习 Mathematica。

Answer 1

除了Daniel's answer，您似乎还要求提供该单词仅出现一次的文件列表。为此，我将继续在所有文件中运行 FindList

res =FindList[filelist, "love"]

然后，通过

将结果减少为仅单行

lines = Select[ res, Length[#]==1& ]

但是，这并不能消除在一行中出现多次的情况。为此，您可以使用 StringCount 并且只接受它为 1 的实例，如下所示

Select[ lines, StringCount[ #, RegularExpression[ "\\blove\\b" ] ] == 1& ]

RegularExpression 使用单词边界标记 (\\b) 指定“love”必须是一个不同的单词，这样就不会包含“lovely”之类的单词。

编辑：似乎FindList 在传递文件列表时会返回一个扁平列表，因此您无法确定哪个项目与哪个文件一起使用。例如，如果您有 3 个文件，并且它们分别包含 0、1 和 2 次“love”一词，您会得到一个看起来像的列表

{, love, love, love }

这显然没有用。为了克服这个问题，您必须单独处理每个文件，最好通过Map (/@) 完成，如下所示

res = FindList[#, "love"]& /@ filelist

以上代码的其余部分按预期工作。

但是，如果要将结果与文件名相关联，则必须对其进行一些更改。

res = {#, FindList[#, "love"]}& /@ filelist
lines = Select[res, 
         Length[ #[[2]] ] ==1 &&  (* <-- Note the use of [[2]] *)
         StringCount[ #[[2]], RegularExpression[ "\\blove\\b" ] ] == 1&
        ]

返回表单列表

{ {filename, { "string with love in it" }, 
  {filename, { "string with love in it" }, ...}

要提取文件名，只需输入lines[[All, 1]]。

注意，为了Select 你想要的属性，我使用Part ([[ ]]) 指定每个数据中的第二个元素，提取文件名也是如此。

Answer 2

帮助 > 文档中心 > FindList item 4：

"查找列表[文件,文本,n] 仅包含找到的前 n 行。”

所以你可以将 n 设置为 1。

丹尼尔·利希特布劳