前言:十几年前的代码,如今看起来还是很牛逼,是我目前看到最漂亮的代码,特意结合思路写了一些注释
import re
import collections
def words(text):
'''把语料中的单词全部抽取出来,转成小写,并且去除单词中间的特殊符号'''
return re.findall('[a-z]+', text.lower())
def train(features):
'''通过defaultdict把上面列表中的单词组合成{'A': 3, 'B': 4}这样的字典格式,
且如果出现没有的key,最小值就是1(比如model里没有c,输入model['c']的输出结果就是1)'''
model = collections.defaultdict(lambda: 1)
for f in features:
model[f] += 1
return model
def edits1(word):
'''返回所有与单词w编辑距离为1的集合;
编辑距离:两个词之间的编辑距离定义为使用了几次插入(在词中插入一个单字母),删除(删除一个单字母),
交换(交换相邻两个字母),替换(把一个字母换成另一个)的操作从一个词变到另一个词'''
n = len(word)
return set([word[0:i] + word[i+1:] for i in range(n)] + #deletion
[word[0:i] + word[i+1] + word[i+2:] for i in range(n-1)] + #transposition
[word[0:i] + c + word[i+1:] for i in range(n) for c in alphabet] + #alteration
[word[0:i] + c+word[i:] for i in range(n+1) for c in alphabet]) #insertion
def known_edits2(word):
'''1、计算与给定单词编辑距离为1的单词列表;
2、计算与编辑距离为1的单词列表的编辑距离为1的列表(也就是编辑距离为2的单词列表);
3、如果单词编辑距离为2的单词在文本中,就认为是可用的单词;
下面的代码可以转为:
for e1 in edits1(word):
for e2 in edit1(e1):
if e2 in NWORDS:
return e2'''
return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)
def known(words):
'''注意,这里输入的words虽然是一个字符串,但是在correct里是known([word]),也就是一个列表+字符的格式,比如['was'];
所以实际含义是:如果列表w中的元素存在于NWORDS中,就把w放在集合中'''
return set(w for w in words if w in NWORDS)
def correct(word):
'''如果known(set)非空,candidates就会选取这个集合,而不继续计算后面的;
另外return中用了max的函数,同时key是NWORDS里的value,就是对set中的元素取概率最大的'''
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max(candidates, key=lambda w: NWORDS[w])
NWORDS = train(words(open('Jane Eyre - Charlotte Bronte.txt').read()))
alphabet = 'abcdefghijklmnopqrstuvwxyz'
NWORDS_dict = sorted(NWORDS.items(), key=lambda x:x[1], reverse=True) #根据字典的值降序排列
# print(correct('was'))