Question

我有一组文档，我想返回一个元组列表，其中每个元组都有给定文档的日期以及给定搜索词出现在该文档中的次数。我的代码（下面）有效，但速度很慢，而且我是n00b。是否有明显的方法可以加快速度？任何帮助都会非常感激，主要是因为我可以学习更好的编码，但也可以让我更快地完成这个项目！

def searchText(searchword):
    counts = []
    corpus_root = 'some_dir'
    wordlists = PlaintextCorpusReader(corpus_root, '.*')
    for id in wordlists.fileids():
        date = id[4:12]
        month = date[-4:-2]
        day = date[-2:]
        year = date[:4]
        raw = wordlists.raw(id)
        tokens = nltk.word_tokenize(raw)
        text = nltk.Text(tokens)
        count = text.count(searchword)
        counts.append((month, day, year, count))

    return counts

Answer 1

如果您只想要字数统计，那么您不需要创建nltk.Text个对象，甚至不需要使用nltk.PlainTextReader。相反，只需直接进入nltk.FreqDist。

files = list_of_files
fd = nltk.FreqDist()
for file in files:
    with open(file) as f:
        for sent in nltk.sent_tokenize(f.lower()):
            for word in nltk.word_tokenize(sent):
                fd.inc(word)

或者，如果您不想进行任何分析 - 只需使用dict。

files = list_of_files
fd = {}
for file in files:
    with open(file) as f:
        for sent in nltk.sent_tokenize(f.lower()):
            for word in nltk.word_tokenize(sent):
                try:
                    fd[word] = fd[word]+1
                except KeyError:
                    fd[word] = 1

使用生成器表达式可以提高效率，但是我将其用于循环以提高可读性。

如何更快地计算nltk plaintextcorpus中的单词？

1 个答案: