我有大量的字符串(多字)列表(200000)。我想根据这些字符串之间的单词匹配的comman数组对这些字符串进行分组。我想不出一个低计算时间的算法
“ AB 500 ”
“巴士AB 500 ”
“新闻 CA ”
“新闻 CA BLAH”
我的计划是
一个。将它们标记为单词。
湾。创建一个全局数组令牌
c. 将这些字符串与常见标记进行比较。
正如您所猜测的那样,这无济于事。你能为此建议一个算法吗?我正在用python写这个..
我有大量的字符串(多字)列表(200000)。我想根据这些字符串之间的单词匹配的comman数组对这些字符串进行分组。我想不出一个低计算时间的算法
“ AB 500 ”
“巴士AB 500 ”
“新闻 CA ”
“新闻 CA BLAH”
我的计划是
一个。将它们标记为单词。
湾。创建一个全局数组令牌
c. 将这些字符串与常见标记进行比较。
正如您所猜测的那样,这无济于事。你能为此建议一个算法吗?我正在用python写这个..
200000没那么多,你可以这样
示例代码:
data="""AB 500
Bus AB 500
News CA
News CA BLAH"""
def getCombinations(tokens):
count = len(tokens)
for L in range(1,count+1):
for i in range(count-L+1):
yield tuple(tokens[i:i+L])
groupDict = {}
for s in data.split("\n"):
tokens = s.split()
for groupKey in getCombinations(tokens):
if groupKey not in groupDict:
groupDict[groupKey] = [s]
else:
groupDict[groupKey].append(s)
for group, values in groupDict.iteritems():
if len(values) > 1:
print group, "->", values
它输出:
('News', 'CA') -> ['News CA', 'News CA BLAH']
('AB',) -> ['AB 500', 'Bus AB 500']
('500',) -> ['AB 500', 'Bus AB 500']
('CA',) -> ['News CA', 'News CA BLAH']
('AB', '500') -> ['AB 500', 'Bus AB 500']
('News',) -> ['News CA', 'News CA BLAH']
你的意思是这样的吗?
>>> from collections import defaultdict
>>> L=["AB 500",
... "Bus AB 500",
... "News CA",
... "News CA BLAH"]
>>> d=defaultdict(list)
>>> for s in L:
... for w in s.split():
... d[w].append(s)
...
>>> print d["News"]
['News CA', 'News CA BLAH']
>>> print d["CA"]
['News CA', 'News CA BLAH']
>>> print d["500"]
['AB 500', 'Bus AB 500']
除非重复单词是您的用例的重要特征,否则我建议使用集合。IE:
thestrings = [
"AB 500",
"Bus AB 500",
"News CA",
"News CA BLAH",
]
thesets = dict((s, set(s.split())) for s in thestrings)
similarities = dict()
for s in thestrings:
for o in thestrings:
if s>=o: continue
sims = len(thesets[s] & thesets[o])
if not sims: continue
similarities[s, o] = sims
for s, o in sorted(similarities, similarities.get, reverse=True):
print "%-16r %-16r %2d" % (s, o, similarities[s, o])
这是否接近您正在寻找的内容?它确实以你想要的方式对你给出的 4 个字符串进行分类,但这是一个非常微弱的样本,当然,所以我在仔细检查;-)。
如果将字符串“AB 500 News CA”添加到您的列表中,会发生什么?两组字符串必须合并吗?如果不是,如何拆分字符串列表,为什么?
像这样的问题的一个非常通用的工作流程(如果我理解正确的话)是这样的: