Question

我有一个平坦的CSV文件，其数据如下：

tag1,pageA
tag2,pageA
tag3,pageA
tag1,pageB
tag4,pageB
tag5,pageC
tag5,pageD
tag4,pageE
tag6,pageE

我想以某种方式将pages细分为互斥组，具体取决于他们直接或通过关联共享的所有tags。

换句话说，我想回答的问题是：

我有多少个独立的网页？（其中独立性定义为与其他组不共享共同标记。）
对于每个组，定义它的标签是什么？
对于每个组，它包含哪些页面？

例如，除非我计算错误，否则上述样本数据有两组：

Group 1:
(tag1,tag2,tag3,tag4,tag6) ==>
  (pageA,pageB,pageE)

Group 2:
(tag5) ==>
  (pageC,pageD)

获得这些分组的合理方法是什么？我愿意使用Python，sqlite或两者兼而有之。

Answer 1

dic = {}

def add2dic(tag, page):
    try:
        dic[tag].append(page)
    except KeyError:
        dic[tag] = [page]

add2dic('tag1','pageA')
add2dic('tag2','pageA')
add2dic('tag3','pageA')
add2dic('tag1','pageB')
add2dic('tag4','pageB')
add2dic('tag5','pageC')
add2dic('tag5','pageD')
add2dic('tag4','pageE')
add2dic('tag6','pageE')

def query(iterable):
    aset = set()
    for tag in iterable:
        for page in dic[tag]:
            aset.add(page)
    return sorted(list(aset))

print(query(['tag1','tag2','tag3','tag4','tag6']))
print(query(['tag5']))

[＆＃39; pageA＆＃39;，＆＃39; pageB＆＃39;，＆＃39; pageE＆＃39;]
[＆＃39; pageC＆＃39;，＆＃39; pageD＆＃39;]

获取互斥记录：由标签云分组，即使是共享关联

1 个答案: