2


我开始学习 Python，我正在尝试编写一个程序来导入文本文件，计算总字数，计算特定段落中的字数（由每个参与者说，由“P1”描述，'P2'等），从我的字数统计中排除这些单词（即'P1'等），并分别打印段落。

感谢@James Hurford，我得到了这个代码：

words = None
with open('data.txt') as f:
   words = f.read().split()
total_words = len(words)
print 'Total words:', total_words

in_para = False
para_type = None
paragraph = list()
for word in words:
  if ('P1' in word or
      'P2' in word or
      'P3' in word ):
      if in_para == False:
         in_para = True
         para_type = word
      else:
         print 'Words in paragraph', para_type, ':', len(paragraph)
         print ' '.join(paragraph)
         del paragraph[:]
         para_type = word
  else:
    paragraph.append(word)
else:
  if in_para == True:
    print 'Words in last paragraph', para_type, ':', len(paragraph)
    print ' '.join(paragraph)
  else:
    print 'No words'

我的文本文件如下所示：

P1：呜呜呜。

P2：呜呜呜。

P1：布拉布拉。

P3：布拉。

我需要做的下一部分是总结每个参与者的话。我只能打印它们，但我不知道如何退回/重复使用它们。

除了总结每个参与者所说的所有单词之外，我还需要一个新的变量来计算每个参与者的字数，以便稍后我可以对其进行操作，例如

P1all = sum of words in paragraph

有没有办法将“you're”或“it's”等视为两个词？

任何想法如何解决它？

4

3 回答 3

5

我需要一个新的变量来计算每个参与者的字数，以便稍后我可以操作

不，您需要一个Counter（Python 2.7+，否则使用 a defaultdict(int)）将人员映射到字数。

from collections import Counter
#from collections import defaultdict

words_per_person = Counter()
#words_per_person = defaultdict(int)

for ln in inputfile:
    person, text = ln.split(':', 1)
    words_per_person[person] += len(text.split())

现在words_per_person['P1']包含 的单词数P1，假设text.split()对于您的目的来说是一个足够好的分词器。（语言学家不同意word的定义，所以你总是会得到一个近似值。）

于 2011-09-15T11:26:06.500 回答
1

您可以使用两个变量来执行此操作。一个来跟踪正在说话的人，另一个来为说话的人保留段落。为了存储段落并关联该段落属于谁，请使用带有人员的字典作为键以及该人员所说的与此键相关联的段落列表。

para_dict = dict()
para_type = None

for word in words:
    if ('P1' in word or
        'P2' in word or
        'P3' in word ):
        #extract the part we want leaving off the ':'
        para_type = word[:2]
        #create a dict with a list of lists 
        #to contain each paragraph the person uses
        if para_type not in para_dict:
            para_dict[para_type] = list()
        para_dict[para_type].append(list())
    else:
        #Append the word to the last list in the list of lists
        para_dict[para_type][-1].append(word)

从这里您可以总结说出的单词数

for person, para_list in para_dict.items():
    counts_list = list()
    for para in para_list:
        counts_list.append(len(para))
    print person, 'spoke', sum(counts_list), 'words'
于 2011-09-15T22:37:42.790 回答
1

恭喜您开始使用 Python 冒险！并非这篇文章中的所有内容现在都有意义，但是如果以后看起来有帮助，请将其添加为书签并返回。最终你应该尝试从脚本转向软件工程，这里有一些想法给你！

强大的力量伴随着巨大的责任，作为一名 Python 开发人员，您需要比其他不牵手并强制执行“好”设计的语言更加自律。

我发现从自上而下的设计开始会有所帮助。 

def main():
    text = get_text()
    p_text = process_text(text)
    catalogue = process_catalogue(p_text)

繁荣！你刚刚编写了整个程序——现在你只需要回过头来填空！当你这样做时，它似乎不那么令人生畏了。就个人而言，我认为自己不够聪明，无法解决非常大的问题，但我是解决小问题的专家。所以让我们一次解决一件事。我将从“process_text”开始。

def process_text(text):
    b_text = bundle_dialogue_items(text)   
    f_text = filter_dialogue_items(b_text)
    c_text = clean_dialogue_items(f_text)

我还不确定这些东西是什么意思，但我知道文本问题往往遵循一种称为“map/reduce”的模式，这意味着你对某物执行和操作，然后清理并组合它，所以我输入一些占位符函数。如有必要，我可能会返回并添加更多内容。

现在让我们编写“process_catalogue”。我本可以写“process_dict”，但这对我来说听起来很蹩脚。

def process_catalogue(p_text): 
    speakers = make_catalogue(c_text)
    s_speakers = sum_words_per_paragraph_items(speakers)
    t_speakers = total_word_count(s_speakers)

凉爽的。还不错。你的处理方式可能与我不同，但我认为聚合项目、计算每个段落的单词数、然后计算所有单词数是有意义的。

所以，在这一点上，我可能会制作一两个小的“lib”（库）模块来回填剩余的功能。为了您能够在不担心导入的情况下运行它，我将把它全部放在一个 .py 文件中，但最终您将学习如何分解它们以使其看起来更好。所以让我们这样做。 

# ------------------ #
# == process_text == #
# ------------------ #

def bundle_dialogue_items(lines):
    cur_speaker = None
    paragraphs = Counter()
    for line in lines:
        if re.match(p, line):
            cur_speaker, dialogue = line.split(':')
            paragraphs[cur_speaker] += 1
        else:
            dialogue = line

        res = cur_speaker, dialogue, paragraphs[cur_speaker]
        yield res


def filter_dialogue_items(lines):
    for name, dialogue, paragraph in lines:
        if dialogue:
            res = name, dialogue, paragraph
            yield res

def clean_dialogue_items(flines):
    for name, dialogue, paragraph in flines:
        s_dialogue = dialogue.strip().split()
        c_dialouge = [clean_word(w) for w in s_dialogue]
        res = name, c_dialouge, paragraph
        yield res

aaa 和一个小辅助函数

# ------------------- #
# == aux functions == #
# ------------------- #

to_clean = string.whitespace + string.punctuation
def clean_word(word):
    res = ''.join(c for c in word if c not in to_clean)
    return res

所以它可能并不明显，但这个库被设计为一个数据处理管道。处理数据有几种方法，一种是流水线处理，另一种是批处理。让我们看一下批处理。

# ----------------------- #
# == process_catalogue == #
# ----------------------- #

speaker_stats = 'stats'
def make_catalogue(names_with_dialogue):
    speakers = {}
    for name, dialogue, paragraph in names_with_dialogue:
        speaker = speakers.setdefault(name, {})
        stats = speaker.setdefault(speaker_stats, {})
        stats.setdefault(paragraph, []).extend(dialogue)
    return speakers



word_count = 'word_count'
def sum_words_per_paragraph_items(speakers):
    for speaker in speakers:
        word_stats = speakers[speaker][speaker_stats]
        speakers[speaker][word_count] = Counter()
        for paragraph in word_stats:
            speakers[speaker][word_count][paragraph] += len(word_stats[paragraph])
    return speakers


total = 'total'
def total_word_count(speakers):
    for speaker in speakers:
        wc = speakers[speaker][word_count]
        speakers[speaker][total] = 0
        for c in wc:
            speakers[speaker][total] += wc[c]
    return speakers

所有这些嵌套字典都变得有点复杂。在实际的生产代码中，我会用一些更易读的类替换它们（以及添加测试和文档字符串！！），但我不想让这比现在更混乱！好吧，为了您的方便，下面是全部内容。 

import pprint
import re
import string
from collections import Counter

p = re.compile(r'(\w+?):')


def get_text_line_items(text):
    for line in text.split('\n'):
        yield line


def bundle_dialogue_items(lines):
    cur_speaker = None
    paragraphs = Counter()
    for line in lines:
        if re.match(p, line):
            cur_speaker, dialogue = line.split(':')
            paragraphs[cur_speaker] += 1
        else:
            dialogue = line

        res = cur_speaker, dialogue, paragraphs[cur_speaker]
        yield res


def filter_dialogue_items(lines):
    for name, dialogue, paragraph in lines:
        if dialogue:
            res = name, dialogue, paragraph
            yield res


to_clean = string.whitespace + string.punctuation


def clean_word(word):
    res = ''.join(c for c in word if c not in to_clean)
    return res


def clean_dialogue_items(flines):
    for name, dialogue, paragraph in flines:
        s_dialogue = dialogue.strip().split()
        c_dialouge = [clean_word(w) for w in s_dialogue]
        res = name, c_dialouge, paragraph
        yield res


speaker_stats = 'stats'


def make_catalogue(names_with_dialogue):
    speakers = {}
    for name, dialogue, paragraph in names_with_dialogue:
        speaker = speakers.setdefault(name, {})
        stats = speaker.setdefault(speaker_stats, {})
        stats.setdefault(paragraph, []).extend(dialogue)
    return speakers


def clean_dict(speakers):
    for speaker in speakers:
        stats = speakers[speaker][speaker_stats]
        for paragraph in stats:
            stats[paragraph] = [''.join(c for c in word if c not in to_clean)
                                for word in stats[paragraph]]
    return speakers


word_count = 'word_count'


def sum_words_per_paragraph_items(speakers):
    for speaker in speakers:
        word_stats = speakers[speaker][speaker_stats]
        speakers[speaker][word_count] = Counter()
        for paragraph in word_stats:
            speakers[speaker][word_count][paragraph] += len(word_stats[paragraph])
    return speakers


total = 'total'


def total_word_count(speakers):
    for speaker in speakers:
        wc = speakers[speaker][word_count]
        speakers[speaker][total] = 0
        for c in wc:
            speakers[speaker][total] += wc[c]
    return speakers


def get_text():
    text = '''BOB: blah blah blah blah
blah hello goodbye etc.

JERRY:.............................................
...............

BOB:blah blah blah
blah blah blah
blah.
BOB: boopy doopy doop
P1: Bla bla bla.
P2: Bla bla bla bla.
P1: Bla bla.
P3: Bla.'''
    text = get_text_line_items(text)
    return text


def process_catalogue(c_text):
    speakers = make_catalogue(c_text)
    s_speakers = sum_words_per_paragraph_items(speakers)
    t_speakers = total_word_count(s_speakers)
    return t_speakers


def process_text(text):
    b_text = bundle_dialogue_items(text)
    f_text = filter_dialogue_items(b_text)
    c_text = clean_dialogue_items(f_text)
    return c_text


def main():

    text = get_text()
    c_text = process_text(text)
    t_speakers = process_catalogue(c_text)

    # take a look at your hard work!
    pprint.pprint(t_speakers)


if __name__ == '__main__':
    main()

所以这个脚本对于这个应用程序来说几乎肯定是矫枉过正，但关键是看看（有问题的）可读、可维护、模块化的 Python 代码可能是什么样子。

很确定输出看起来像：

{'BOB': {'stats': {1: ['blah',
                       'blah',
                       'blah',
                       'blah',
                       'blah',
                       'hello',
                       'goodbye',
                       'etc'],
                   2: ['blah',
                       'blah',
                       'blah',
                       'blah',
                       'blah',
                       'blah',
                       'blah'],
                   3: ['boopy', 'doopy', 'doop']},
         'total': 18,
         'word_count': Counter({1: 8, 2: 7, 3: 3})},
 'JERRY': {'stats': {1: ['', '']}, 'total': 2, 'word_count': Counter({1: 2})},
 'P1': {'stats': {1: ['Bla', 'bla', 'bla'], 2: ['Bla', 'bla']},
        'total': 5,
        'word_count': Counter({1: 3, 2: 2})},
 'P2': {'stats': {1: ['Bla', 'bla', 'bla', 'bla']},
        'total': 4,
        'word_count': Counter({1: 4})},
 'P3': {'stats': {1: ['Bla']}, 'total': 1, 'word_count': Counter({1: 1})}}
于 2015-12-04T03:06:50.470 回答