字典用 Python 中的第一个字母索引文件

Question

这是我应该做的：编写一个函数，text_dictionary(file_name)，它接受一个文件名并返回一个字典，其中键是一个字母，值是文件中以该字母开头的单词列表。确保列表仅包含唯一值、全部小写且不包含标点符号。这就是我现在所拥有的。import stringstring=string.ascii_lowercasekeys=[]for letter in string:    keys.append(letter)def text_dictionary(file_name):    with open(file_name,'r') as file:        words=[]        for line in file:            words.append(line.rstrip())            new_list=[]            for i in words:                new_list.append(i.lower())                return new_list            d={}            for words in new_list:                for i in range(25):                    if word.startwith(new_list[i])==True:                        d[words[i]]+=words                return d        print(d)代码变得越来越长，我仍然没有得到我想要的。我什至不确定我在做什么以及它是否有用。我想知道字典有没有我不知道的一些功能。在这里真的很沮丧。

Answer 1

你使这比它需要的更复杂，这就是挫折的来源。实际的解决方案比您想象的要简单得多。

字典跟踪自己的键。你不需要初始化任何东西。如果某个单词出现在字典中没有的字母上，您可以立即添加一个新键。否则，您将使用已经存在的列表。

另一点是该string模块为您提供了在和上拆分的工具。您付出的代价是必须过滤掉一些空字符串，但这是微不足道的。whitespace punctuation

我建议将中间结果存储在sets 而不是列表中以确保唯一性。作为最后一步，您始终可以转换为列表。

并在您的实用程序函数中使用返回值而不是打印输出：

def text_dictionary(file_name):

    map = {}

    with open(file_name,'r') as file:

        for line in file:

            for word in line.split(string.whitespace + string.punctuation):

                if not word:

                    continue

                word = word.lower()

                if word[0] not in map:

                    map[word[0]] = set()

                map[word[0]].add(word)

    for key in map:

        map[key] = list(map[key])

    return map

请注意，除了最基本的访问之外，我根本没有使用字典的任何特殊方法或属性。

附录一：字典转换

最后一个循环用就地列表替换集合：它不会创建新的字典对象。你可以用一个非常相似的循环来做同样的事情：

for key, value in map.items():

    map[key] = list(item)

通常，在迭代字典时不应该修改它。但是，如果您非常小心地只接触值而不是键，则不会有任何问题，因为哈希表的底层结构不会改变。

创建字典很便宜，因此使用字典理解来创建新映射可能会更快：

map = {key: list(value) for key, value in map.items()}

附录二：分词

上面显示的分词算法非常简单。它假定您的文件将只包含表现良好的可打印 ASCII 字符。虽然这可能适用于您的作业，但编写具有已知潜在问题的代码让我感到厌烦，因为以后会有很多未知问题要占用您的时间。为此，我将介绍几种使用正则表达式搜索单词的替代方法。

第一种选择是拆分任何不是单词字符的内容。一个单词字符（在一个常规字符串中）被\w模式匹配，它

匹配 Unicode 单词字符；这包括可以作为任何语言的单词一部分的大多数字符，以及数字和下划线。如果使用ASCII标志，则仅[a-zA-Z0-9_]匹配。

\wis的倒数\W，因此您可以将其与 一起使用re.split：

for word in re.split(r'\W+', line):

第二种选择是第一种的补充。不是在模式上拆分，而是匹配模式并用于re.finditer为您列出单词：

for word in re.finditer(r'\w+', line):

我是这两种情况，值得注意的是，最好使用re.compile而不是每次重新编译模式来预编译您选择的模式。设置模式的最有效方法是全局设置，或者在函数的默认参数中。这样它只会被评估一次。第二个最佳选择是在with块之前执行，因此您至少每个文件编译一次，而不是每行一次。全局或函数内定义，看起来像

pattern = re.compile(r'\w')  # or r'\W', as you prefer

作为默认参数：

def text_dictionary(file_name, pattern=re.compile(r'\w')):

如果您决定修改包含/拆分的字符集，后一种方法可为您提供灵活性。

在任何一种情况下，循环都将是

for word in pattern.split(line):  # or pattern.finditer(line)

Answer 2

你可能有点想多了。让我们列出必要的步骤（按照说明）：

1. 创建一个字典，以字母表中的每个字母作为键，一个空set作为值。将set用于确保其唯一性。

2. 打开文件，去掉标点符号并将字符串小写，然后将其拆分为单词列表。

3. 遍历单词列表中的单词，并set根据第一个字母将每个单词添加到字典中的对应单词中。

4. 将所有集合转换回列表并返回字典。

这是代码：

import re

import string

def text_dictionary(file_name):

    letters = {x: set() for x in string.ascii_lowercase}

    with open(file_name,'r') as f:

        for word in re.sub(r"\W", " ", f.read().lower()).split():

            letters[word[0]].add(word)

    return {k: list(v) for k, v in letters.items()}

for k, v in sorted(text_dictionary("file.txt").items()):

    print(k, v)

示例输出（使用您的问题作为输入）：

a ['all', 'a', 'accepts', 'and']

b ['begin']

c ['contains']

d ['do', 'dictionary']

e []

f ['file', 'from', 'function']

g []

h ['here']

i ['im', 'is']

j []

k ['key']

l ['lowercased', 'list', 'letter']

m ['marks', 'make']

n ['no', 'name']

o ['of', 'only']

p ['punctuation']

q []

r ['returns']

s ['supposed', 'sure']

t ['text_dictionaryfile_name', 'the', 'to', 'that']

u ['unique']

v ['values', 'value']

w ['what', 'write', 'where', 'words', 'with']

x []

y []

z []

请注意，我省略了对文件 open 和潜在的错误处理KeyErrors；如果您打算将其转变为可部署的功能，那么这些将是重要的考虑因素。