21行Python代碼實(shí)現(xiàn)拼寫檢查器
引入
大家在使用谷歌或者百度搜索時(shí),輸入搜索內(nèi)容時(shí),谷歌總是能提供非常好的拼寫檢查,比如你輸入 speling,谷歌會(huì)馬上返回 spelling。
下面是用21行python代碼實(shí)現(xiàn)的一個(gè)簡(jiǎn)易但是具備完整功能的拼寫檢查器。
代碼
import re, collections def words(text): return re.findall('[a-z]+', text.lower()) def train(features): model = collections.defaultdict(lambda: 1) for f in features: model[f] += 1 return model NWORDS = train(words(file('big.txt').read())) alphabet = 'abcdefghijklmnopqrstuvwxyz' def edits1(word): splits = [(word[:i], word[i:]) for i in range(len(word) + 1)] deletes = [a + b[1:] for a, b in splits if b] transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1] replaces = [a + c + b[1:] for a, b in splits for c in alphabet if b] inserts = [a + c + b for a, b in splits for c in alphabet] return set(deletes + transposes + replaces + inserts) def known_edits2(word): return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS) def known(words): return set(w for w in words if w in NWORDS) def correct(word): candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word] return max(candidates, key=NWORDS.get) correct函數(shù)是程序的入口,傳進(jìn)去錯(cuò)誤拼寫的單詞會(huì)返回正確。如: >>> correct("cpoy") 'copy' >>> correct("engilsh") 'english' >>> correct("sruprise") 'surprise'
除了這段代碼外,作為機(jī)器學(xué)習(xí)的一部分,肯定還應(yīng)該有大量的樣本數(shù)據(jù),準(zhǔn)備了big.txt作為我們的樣本數(shù)據(jù)。
背后原理
上面的代碼是基于貝葉斯來(lái)實(shí)現(xiàn)的,事實(shí)上谷歌百度實(shí)現(xiàn)的拼寫檢查也是通過(guò)貝葉斯實(shí)現(xiàn),不過(guò)肯定比這個(gè)復(fù)雜多了。
首先簡(jiǎn)單介紹一下背后的原理,如果讀者之前了解過(guò)了,可以跳過(guò)這段。
給一個(gè)詞,我們?cè)噲D選取一個(gè)最可能的正確的的拼寫建議(建議也可能就是輸入的單詞)。有時(shí)也不清楚(比如lates應(yīng)該被更正為late或者latest?),我們用概率決定把哪一個(gè)作為建議。我們從跟原始詞w相關(guān)的所有可能的正確拼寫中找到可能性最大的那個(gè)拼寫建議c:
argmaxc P(c|w)
通過(guò)貝葉斯定理,上式可以轉(zhuǎn)化為
argmaxc P(w|c) P(c) / P(w)
下面介紹一下上式中的含義:
- P(c|w)代表在輸入單詞w 的情況下,你本來(lái)想輸入 單詞c的概率。
- P(w|c)代表用戶想輸入單詞c卻輸入w的概率,這個(gè)可以我們認(rèn)為給定的。
- P(c)代表在樣本數(shù)據(jù)中單詞c出現(xiàn)的概率
- P(w)代表在樣本數(shù)字中單詞w出現(xiàn)的概率
可以確定P(w)對(duì)于所有可能的單詞c概率都是一樣的,所以上式可以轉(zhuǎn)換為
argmaxc P(w|c) P(c)
我們所有的代碼都是基于這個(gè)公式來(lái)的,下面分析具體代碼實(shí)現(xiàn)
代碼分析
利用words()函數(shù)提取big.txt中的單詞
def words(text): return re.findall('[a-z]+', text.lower())
re.findall(‘[a-z]+'是利用python正則表達(dá)式模塊,提取所有的符合'[a-z]+'條件的,也就是由字母組成的單詞。(這里不詳細(xì)介紹正則表達(dá)式了,有興趣的同學(xué)可以看 正則表達(dá)式簡(jiǎn)介。text.lower()是將文本轉(zhuǎn)化為小寫字母,也就是“the”和“The”一樣定義為同一個(gè)單詞。
利用train()函數(shù)計(jì)算每個(gè)單詞出現(xiàn)的次數(shù)然后訓(xùn)練出一個(gè)合適的模型
def train(features): model = collections.defaultdict(lambda: 1) for f in features: model[f] += 1 return model NWORDS = train(words(file('big.txt').read()))
這樣NWORDS[w]代表了單詞w在樣本中出現(xiàn)的次數(shù)。如果有一個(gè)單詞并沒(méi)有出現(xiàn)在我們的樣本中該怎么辦?處理方法是將他們的次數(shù)默認(rèn)設(shè)為1,這里通過(guò)collections模塊和lambda表達(dá)式實(shí)現(xiàn)。collections.defaultdict()創(chuàng)建了一個(gè)默認(rèn)的字典,lambda:1將這個(gè)字典中的每個(gè)值都默認(rèn)設(shè)為1。
現(xiàn)在我們處理完了公式argmaxc P(w|c) P(c)中的P(c),接下來(lái)處理P(w|c)即想輸入單詞c卻錯(cuò)誤地輸入單詞w的概率,通過(guò) “edit distance“--將一個(gè)單詞變?yōu)榱硪粋€(gè)單詞所需要的編輯次數(shù)來(lái)衡量,一次edit可能是一次刪除,一個(gè)交換(兩個(gè)相鄰的字母),一次插入,一次修改。下面的函數(shù)返回一個(gè)將c進(jìn)行一次編輯所有可能得到的單詞w的集合:
def edits1(word): splits = [(word[:i], word[i:]) for i in range(len(word) + 1)] deletes = [a + b[1:] for a, b in splits if b] transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1] replaces = [a + c + b[1:] for a, b in splits for c in alphabet if b] inserts = [a + c + b for a, b in splits for c in alphabet] return set(deletes + transposes + replaces + inserts)
相關(guān)論文顯示,80-95%的拼寫錯(cuò)誤跟想要拼寫的單詞都只有1個(gè)編輯距離,如果覺(jué)得一次編輯不夠,那我們?cè)賮?lái)一次
def known_edits2(word): return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)
同時(shí)還可能有編輯距離為0次的即本身就拼寫正確的:
def known(words): return set(w for w in words if w in NWORDS)
我們假設(shè)編輯距離1次的概率遠(yuǎn)大于2次的,0次的遠(yuǎn)大于1次的。下面通過(guò)correct函數(shù)先選擇編輯距離最小的單詞,其對(duì)應(yīng)的P(w|c)就會(huì)越大,作為候選單詞,再選擇P(c)最大的那個(gè)單詞作為拼寫建議
def correct(word): candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word] return max(candidates, key=NWORDS.get)
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家學(xué)習(xí)python程序設(shè)計(jì)有所幫助。
相關(guān)文章
Pandas實(shí)現(xiàn)DataFrame按行求百分?jǐn)?shù)(比例數(shù))
今天小編就為大家分享一篇Pandas實(shí)現(xiàn)DataFrame按行求百分?jǐn)?shù)(比例數(shù)),具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-12-12Python+Tkinter實(shí)現(xiàn)股票K線圖的繪制
K線圖又稱蠟燭圖,常用說(shuō)法是“K線”。K線是以每個(gè)分析周期的開盤價(jià)、最高價(jià)、最低價(jià)和收盤價(jià)繪制而成。本文將利用Python+Tkinter實(shí)現(xiàn)股票K線圖的繪制,需要的可以參考一下2022-08-08python 字典(dict)遍歷的四種方法性能測(cè)試報(bào)告
本文主要是針對(duì)Python的字典dict遍歷的4種方法進(jìn)行了性能測(cè)試,以便分析得出效率最高的一種方法2014-06-06Python中static相關(guān)知識(shí)小結(jié)
static用法:是一個(gè)修飾符,用于修飾成員(成員變量,成員函數(shù)).當(dāng)成員被靜態(tài)修飾后,就多了一個(gè)調(diào)用方式,除了可以被對(duì)象調(diào)用外,還可以直接被類名調(diào)用,格式——類名.靜態(tài)成員。2018-01-01Python2.5/2.6實(shí)用教程 入門基礎(chǔ)篇
本文方便有經(jīng)驗(yàn)的程序員進(jìn)入Python世界.本文適用于python2.5/2.6版本.2009-11-11Python+Pygame實(shí)現(xiàn)彩色五子棋游戲
這篇文章主要為大家詳細(xì)介紹了如何溧陽(yáng)Python和Pygame實(shí)現(xiàn)彩色五子棋游戲,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2023-02-02