我正在尝试识别某个特定单词,然后计算它。我需要保存每个标识符的计数。
例如,文档可能包含如下:
risk risk risk free interest rate
asterisk risk risk
market risk risk [risk
*我需要计算'风险'不是星号。可能存在其他与风险相关的单词,因此不要坚持上述示例。我需要找到的是“风险”。如果风险以<< [(或。!*>])等等。我也需要数数。但如果风险词是像星号这样的词的一个组成部分,那么我不应该算它。
这是我到目前为止所拥有的。但是,它会返回星号和[风险以及风险]的计数。我试图使用正则表达式,但不断收到错误。另外,我是Python的初学者。如果有人有任何想法,请帮助我!! ^^谢谢。
from collections import defaultdict
word_dict=defaultdict(int)
for line in mylist:
words=line.lower().split() # converted all words to lower case
for word in words:
word_dict[word]+=1
for word in word_dict:
if 'risk' in word:
word, word_dict[word]
答案 0 :(得分:2)
使用正则表达式实际上很容易做到这一点:
import re
haystack = "risk asterisk risk brisk risk"
prog = re.compile(r'\brisk\b')
result = re.findall(prog, haystack)
print len(result)
输出“3”。
\ b regexp表示任何单词分隔符,包括行的结尾/开头。
答案 1 :(得分:2)
如果正则表达式(?<![a-zA-Z])risk(?![a-zA-Z])
之前或之后没有其他字母,则该表达式应与“风险”相匹配。例如:
>>> len(re.findall('(?<![a-zA-Z])risk(?![a-zA-Z])','risk? 1risk asterisk risky'))
2
以下是此问题的细分:
(?<![a-zA-Z])
这种负面的后瞻性断言表示,匹配只会在[a-zA-Z]
之前没有匹配的情况下发生,而risk
只匹配一个字母。(?![a-zA-Z])
这是与“风险”相匹配的核心人物;这里没什么好看的...... [a-zA-Z]
这与第一部分类似。这是一个负前瞻性断言,只有在没有字母后才会发生匹配。所以,说你也不想匹配像他们之前有数字的“1risk”之类的东西。您只需将re的[a-zA-Z0-9]
部分更改为>>> len(re.findall('(?<![a-zA-Z0-9])risk(?![a-zA-Z0-9])','risk? 1risk asterisk risky'))
1
即可。例如:
|
更新的 在回答您的问题How to replace words, count a word, and save the count时,我现在得到了您的要求。您可以使用我向您展示的相同类型的结构,但已修改为包含所有这些单词:
有几种方法可以修改原始版本;最直观的可能就是使用re OR \-
并将>>> words = '|'.join(["risk","risked","riskier","riskiest","riskily","riskiness","risking","risks","risky"])
>>> len(re.findall('(?<![a-zA-Z])(%s)(?![a-zA-Z\-])' % words, 'risk? 1risk risky risk-free'))
3
添加到负向前瞻以防止匹配“无风险”等。例如:
{{1}}
答案 2 :(得分:0)
if 'risk' == word:
print word, word_dict[word]