Python：如何在文本中找到 n-gram 模式？

Posted 2023-02-23

【中文标题】Python：如何在文本中找到 n-gram 模式？

【英文标题】：Python: How to find n-gram patterns in the text?

【发布时间】：2012-03-06 08:57:12

【问题描述】：

我有一个可以任意长的字符串

s = 'Choose from millions of possibilities on Shaadi.com. Create your profile, search&contact; your special one.RegisterFree\xa0\xa0\xa0unsubscribing reply to this mail\xa0\n and 09times and this is limited time offer! and this is For free so you are saving cash'

我有一个垃圾邮件列表，可能像

p_words = ['cash', 'for free', 'limited time offer']

我只想知道输入文本中是否存在模式以及存在多少次？

只有一个字就变简单了

import re
p = re.compile(''.join[p_words])  # correct me if I am wrong here
m = p.match(s)  

但它可能是bi-gram, tri-gram or n-gram

我们如何处理这个问题？

【问题讨论】：

如果您需要不区分大小写的关键字搜索，请参阅my answer that shows the difference between full Unicode casefolding and mere .lower() method

【参考方案1】：

p = re.compile('|'.join(re.escape(w) for w in p_words))

p 将匹配p_words 中的任何字符串。

【讨论】：

没有理由不这样做。

@J.F.Sebastian 如果您将re.finditer 或re.findall 与生成的正则表达式一起使用。

@Amber: re.find* 枚举匹配项，但仍然自己不回答“多少次”。

@JFSebastian - 鉴于 OP 在不针对 ngram 时已经在使用正则表达式来解决他们的问题，因此假设他们能够根据需要实现计数部分似乎是合乎逻辑的。跨度>

【参考方案2】：

如果文字和字数不是很大可以从example开始：

d = w: s.count(w) for w in p_words if w in s
# -> 'cash': 1, 'limited time offer': 1

您可以将其性能与：

import re
from collections import Counter

p = re.compile('|'.join(map(re.escape, p_words)))
d = Counter(p.findall(s))
# -> Counter('limited time offer': 2, 'cash': 2)

将其速度与fgrep 进行比较以供参考。它应该能够快速匹配输入流中的多个字符串：

$ grep -F -o -f  patternlist.txt largetextfile.txt  | sort | uniq -c

输出

  2 cash
  2 limited time offer

【讨论】：

感谢@J.F.Sebastian 告诉我存在计数器，我不知道

@daydreamer：注意Counter 不是最快的，如果你使用这个算法：performance comparison

【参考方案3】：

正则表达式使用“|”分隔器。将每种情况下的空格替换为 '\W+' 之类的东西，它匹配非字母，我认为你很高兴。