Question

我有一个包含单词及其引理的文本文件 - 每行包含第一列中的单词形式和第二列中的单词引理。

我有需要转换为单词lemmas的推文（句子）列表 - 每个单词都需要转换为它们的引理（文本文件中的第二列）

我尝试打开和关闭每个单词的文本文件，但这需要太长时间（每个单词大约15秒才能在文本文件中找到它们的引理）。功能如下。

def returnLemma(str):
    str= word_tokenize(str)
    end_str = ""
    for word in str:
        infile = open('MorphDict.txt', 'r')
        for line in infile:
            line.strip()
            prva=line.split()[0] 
            druga=line.split()[1]
            if word==prva:
                end_str = end_str+" "+druga 
                break;
        infile.close()
    return end_str

是否可以更有效地搜索此文本文件（> 100MB）？是否可以使用pandas包来解决它？

Answer 1

我写下这样的功能：

from collections import defaultdict


word_tokenize = lambda s: s.split()


def returnLemma(s, morph_lines):
    tokens = word_tokenize(s)
    token_positions = defaultdict(list)
    for i, t in enumerate(tokens):
        token_positions[t].append(i)

    drugas = [None] * len(tokens)
    for line in morph_lines:
        line = line.strip()
        parts = line.split(maxsplit=3)
        prva = parts[0]
        try:
            positions = token_positions[prva]
        except KeyError:
            pass
        else:
            druga = parts[1]
            for i in positions:
                drugas[i] = druga

    return ' ' + ' '.join(
        druga if druga is not None else token
        for token, druga in zip(tokens, drugas)
    )


import unittest


class ReturnLemmaTest(unittest.TestCase):

    def test_when_nothing_matches_then_it_returns_a_single_space(self):
        result = returnLemma('hello world', ['line 1', 'line 2'])
        self.assertEqual(' hello world', result)

    def test_when_one_line_matches_then_it_returns_its_second_word(self):
        result = returnLemma('hello world line-b', ['line-a 1', 'line-b 2'])
        self.assertEqual(' hello world 2', result)

    def test_when_many_lines_match_then_it_returns_their_second_words_separated_by_a_space(self):
        result = returnLemma('hello b world b c', ['a 0', 'b 1', 'c 2'])
        self.assertEqual(' hello 1 world 1 2', result)


if __name__ == '__main__':
    unittest.main()

returnLemma的第二个参数可以是一个打开的文件，但更容易使用列表进行测试。

Answer 2

当你需要比较两个列表的元素而一个比另一个小得多时，使用内部循环中的最小值。这将永远更有效率。

尽量不要做两次同样的工作。拆分线时，请保留部件，以免再次进行。

line.strip()不会更改line，而是生成一个没有空格的新行。使用line = line.strip()。

不是重复打开文件，而是可以寻找开头。

Answer 3

这是最终的和有效的代码 - 带有微小的改变@Javier的功能。感谢大家的帮助，特别是@Javier和@MaxU。

from nltk.tokenize import word_tokenize
from collections import defaultdict

def vratiLemu(s, morph_lines):
    tokens = word_tokenize(s)
    token_positions = defaultdict(list)
    for i, t in enumerate(tokens):
        token_positions[t].append(i)

    for line in morph_lines:
        line = line.strip()
        parts = line.split()
        prva = parts[0]
        try:
            positions = token_positions[prva]
        except KeyError:
            pass
        else:
            druga = parts[1]
            for i in positions:
                tokens[i] = druga

    return ' ' + ' '.join(druga for druga in tokens if druga is not None)              

morphDict= open('SveSrpMDANSI.txt', 'r')
out=vratiLemu1("Suštinsko pitanje nije postavljeno: zašto predsednik odbora nije otvorio pretres a morao je",morphDict)
print out

Suštinskopitanjejesam postavljen：zaštopredsednikodbor jesam otvoriti pretres a morati jeste

如何使用python搜索大文本文件是否包含句子中的单词？

3 个答案: