Question

我有一个包含多个观察结果的文本文件。每次观察都在一行中。我想检测一行中每个单词的唯一出现。换句话说，如果同一个单词在同一行上出现两次或更多次，它仍然被计为一次。但是，我想计算所有观察中每个单词出现的频率。这意味着如果一个单词出现在两行或更多行中，我想计算它出现的行数。这是我编写的程序，它在处理大量文件时非常慢。我还通过引用另一个文件删除文件中的某些单词。请提供有关如何提高速度的建议。谢谢。

import re, string
from itertools import chain, tee, izip
from collections import defaultdict

def count_words(in_file="",del_file="",out_file=""):

    d_list = re.split('\n', file(del_file).read().lower())
    d_list = [x.strip(' ') for x in d_list] 

    dict2={}
    f1 = open(in_file,'r')
    lines = map(string.strip,map(str.lower,f1.readlines()))

    for line in lines:
        dict1={}
        new_list = []
        for char in line:
            new_list.append(re.sub(r'[0-9#$?*_><@\(\)&;:,.!-+%=\[\]\-\/\^]', "_", char))
        s=''.join(new_list)
        for word in d_list:
            s = s.replace(word,"")
        for word in s.split():
            try:
                dict1[word]=1
            except:
                dict1[word]=1
        for word in dict1.keys():
            try:
                dict2[word] += 1
            except:
                dict2[word] = 1
    freq_list = dict2.items()
    freq_list.sort()
    f1.close()

    word_count_handle = open(out_file,'w+')
    for word, freq  in freq_list:
        print>>word_count_handle,word, freq
    word_count_handle.close()
    return dict2

 dict = count_words("in_file.txt","delete_words.txt","out_file.txt")

Answer 1

您正在线路的每个字符上运行re.sub，一次一个。那很慢。全程做到：

s = re.sub(r'[0-9#$?*_><@\(\)&;:,.!-+%=\[\]\-\/\^]', "_", line)

另外，查看集合模块中的集合和Counter类。如果你只计算然后丢弃那些你不想要的东西，它可能会更快。

Answer 2

在没有进行任何性能测试的情况下，我想到了以下内容：

1）你正在使用正则表达式 - 为什么？你只是想摆脱某些角色吗？

2）你正在使用流控制的异常 - 尽管它可以是pythonic（更好地请求宽恕而不是权限），抛出异常通常很慢。如下所示：

    for word in dict1.keys():
        try:
            dict2[word] += 1
        except:
            dict2[word] = 1

3）将d_list转换为一个集合，并使用python的in来测试成员资格，同时...

4）避免在字符串上大量使用replace方法 - 我相信您正在使用它来过滤掉d_list中出现的字词。这可以通过避免replace来完成，只需过滤列中的单词，或者使用列表解析：

[word for word words if not word in del_words]

或使用过滤器（不是非常pythonic）：

filter(lambda word: not word in del_words, words)

Answer 3

import re

u_words        = set()
u_words_in_lns = []
wordcount      = {}
words          = []

# get unique words per line
for line in buff.split('\n'):
    u_words_in_lns.append(set(line.split(' ')))

# create a set of all unique words
map( u_words.update, u_words_in_lns )

# flatten the sets into a single list of words again
map( words.extend, u_words_in_lns)

# count everything up
for word in u_words:
    wordcount[word] = len(re.findall(word,str(words)))

Python：计算跨越几行的单词的唯一实例

3 个答案: