Python文本搜索问题

Question

<分区>

Answer 1

让我们看看...

return [x for x in document.split()
        if 'a' in x and sum((1 if y in 'abcdef' else 0 for y in x)) >= 3]

没有参数的

split 充当“单词”函数，拆分任何空格并删除不包含任何字符的单词。然后检查字母“a”是否在单词中。如果单词中有 'a'，则使用遍历单词中每个字母的生成器表达式。如果该字母在可用字母字符串的内部，则它返回一个 1，该值对总和有贡献。否则，它返回 0。然后，如果总和为 3 或更大，则保留它。使用生成器而不是列表理解，因为 sum 将接受任何可迭代的内容，并且它停止必须创建临时列表(更少的内存开销)。

由于使用了 in(在字符串上应该有 O(n) 时间)，所以它没有最佳访问时间，但这通常不是什么大问题除非数据集很大。您可以稍微优化一下以将字符串打包成一个集合，并且常量“abcdef”可以很容易地成为一个集合。我只是不想破坏漂亮的衬垫。

编辑:哦，为了缩短 if 部分(这是效率低下的地方)的时间，您可以将它分离到一个函数中，该函数迭代字符串一次并返回 True 如果满足条件。我会这样做，但它毁了我的一个类轮。

编辑 2:我没有看到“必须有 3 个不同的字符”部分。你不能在一个类轮中做到这一点。您可以将 if 部分取出到一个函数中。

def is_valid(word, chars):
    count = 0
    for x in word:
        if x in chars:
            count += 1
            chars.remove(x)
    return count >= 3 and 'a' not in chars

def parse_document(document):
    return [x for x in document.split() if is_valid(x, set('abcdef'))]

这个在真实世界的数据集上应该没有任何性能问题。