python - 如何使用 python 具有相同的列标题和行标题？

Question

我想从文本文件中读取行并根据单词之间的 Wu-Palmer 距离构建距离矩阵。例如:

           House    Grass   Boat   Cat
House       x        y       ..    ..
Grass       x1       y1      ..    ..
Boat        x2       y2      ..    ..
Cat         x3       y3      ..    ..

我想知道是否有任何现有的函数可以在 python 中使用来从文本文件中读取行并将行输出为距离矩阵的行和列？

Answer 1

如果您的输入只是以空格分隔的单词，那么您可以像这样轻松地迭代它们:

words = set()
with open("input.txt", "r") as fd:
    for line in fd:
        words.update(line.split())

使用set可确保每个单词只记录一次 - 听起来这就是您想要的。

如果您的输入运行的是英文文本，那么事情会变得有点困难，因为您想要捕获诸如“I'd”之类的内容 - 您还应该决定是否将连字符的单词(例如“part-time”)分类为单个单词- 我这里的例子确实如此，但很容易改变。尽管我不喜欢它们，但这正是正则表达式实际上非常有用的地方:

import re
import string

non_word_re = re.compile(r"[^-\w']+")
words = set()
with open("input.txt", "r") as fd:
    for line in fd:
        words.update(i for i in non_word_re.split(line) if i[0] in string.letters)

这将创建一个单词集，其中一组字符是由集合[a-zA-Z0-9_-']中的一个或多个组成的任何内容其中第一个字符是字母。

此后，您可以轻松计算每对单词之间的距离:

all_distances = {}
for word in words:
    all_distances[word] = dict((i, calculate_distance(word, i)) for i in words)

这里可能有比嵌套字典更清晰的数据结构，但它足够简单，我认为这就足够了。

最后，您可以输出一个制表符分隔的矩阵，如下所示:

with open("output.txt", "w") as fd:
    fd.write("\t" + "\t".join(sorted(all_distances.keys())) + "\n")
    for word1, distances in sorted(all_distances.iteritems()):
        fd.write(word1 + "\t" + "\t".join(i[1] for i in sorted(distances.iteritems())))

如果你想要更接近格式漂亮的输出矩阵(即每列根据其内容自动调整大小)，那么这本身仍然不难，但它有点繁琐并且需要更多代码。

顺便说一句，如果您想读取或写入 CSV 格式的文件，请查看 Python csv模块，它会为您处理诸如引用之类的繁琐事情。

这就是你所追求的东西吗？