21行Python代碼實現(xiàn)拼寫檢查器
引入
大家在使用谷歌或者百度搜索時，輸入搜索內(nèi)容時，谷歌總是能提供非常好的拼寫檢查，比如你輸入 speling，谷歌會馬上返回 spelling。
下面是用21行python代碼實現(xiàn)的一個簡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，傳進去錯誤拼寫的單詞會返回正確。如：
>>> correct("cpoy")
'copy'
>>> correct("engilsh")
'english'
>>> correct("sruprise")
'surprise'
除了這段代碼外，作為機器學習的一部分，肯定還應(yīng)該有大量的樣本數(shù)據(jù)，準備了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實現(xiàn)的，事實上谷歌百度實現(xiàn)的拼寫檢查也是通過貝葉斯實現(xiàn)，不過肯定比這個復(fù)雜多了。
首先簡單介紹一下背后的原理，如果讀者之前了解過了，可以跳過這段。
給一個詞，我們試圖選取一個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拼寫建議c：
argmaxc P(c|w)
通過貝葉斯定理，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，這個可以我們認為給定的。
- 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公式來的，下面分析具體代碼實現(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。（這里不詳細介紹正則表達式了，有興趣的同學可以看 正則表達式簡介。text.lower()是將文本轉(zhuǎn)化為小寫字母，也就是“the”和“The”一樣定義為同一個單詞。
利用train()函數(shù)計算每個單詞出現(xiàn)的次數(shù)然后訓(xùn)練出一個合適的模型
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)。如果有一個單詞并沒有出現(xiàn)在我們的樣本中該怎么辦？處理方法是將他們的次數(shù)默認設(shè)為1，這里通過collections模塊和lambda表達式實現(xiàn)。collections.defaultdict()創(chuàng)建了一個默認的字典，lambda：1將這個字典中的每個值都默認設(shè)為1。
現(xiàn)在我們處理完了公式argmaxc P(w|c) P(c)中的P(c)，接下來處理P(w|c)即想輸入單詞c卻錯誤地輸入單詞w的概率，通過 “edit distance“－－將一個單詞變?yōu)榱硪粋€單詞所需要的編輯次數(shù)來衡量，一次edit可能是一次刪除，一個交換（兩個相鄰的字母），一次插入，一次修改。下面的函數(shù)返回一個將c進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%的拼寫錯誤跟想要拼寫的單詞都只有1個編輯距離，如果覺得一次編輯不夠，那我們再來一次
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次的概率遠大于2次的，0次的遠大于1次的。下面通過correct函數(shù)先選擇編輯距離最小的單詞，其對應(yīng)的P(w|c)就會越大，作為候選單詞，再選擇P(c)最大的那個單詞作為拼寫建議
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內(nèi)容，希望對大家學習python程序設(shè)計有所幫助。
相關(guān)文章
Pandas實現(xiàn)DataFrame按行求百分數(shù)(比例數(shù))
今天小編就為大家分享一篇Pandas實現(xiàn)DataFrame按行求百分數(shù)(比例數(shù))，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
Python+Tkinter實現(xiàn)股票K線圖的繪制
K線圖又稱蠟燭圖，常用說法是“K線”。K線是以每個分析周期的開盤價、最高價、最低價和收盤價繪制而成。本文將利用Python+Tkinter實現(xiàn)股票K線圖的繪制，需要的可以參考一下2022-08-08
對于大整數(shù)計算，一般都要用某種方法轉(zhuǎn)化，否則會溢出。但是python無此擔憂了。Python支持“無限精度”的整數(shù)，一般情況下不用考慮整數(shù)溢出的問題，而且Python Int類型與任意精度的Long整數(shù)類可以無縫轉(zhuǎn)換，超過Int 范圍的情況都將轉(zhuǎn)換成Long類型。2014-09-09
本文主要是針對Python的字典dict遍歷的4種方法進行了性能測試，以便分析得出效率最高的一種方法2014-06-06
今天小編就為大家分享一篇TensorFlow 合并/連接數(shù)組的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
Python中static相關(guān)知識小結(jié)
static用法：是一個修飾符，用于修飾成員(成員變量，成員函數(shù)).當成員被靜態(tài)修飾后，就多了一個調(diào)用方式，除了可以被對象調(diào)用外，還可以直接被類名調(diào)用，格式——類名.靜態(tài)成員。2018-01-01
這篇文章主要介紹了Python計算回文數(shù)的方法,實例分析了Python操作字符串的技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-03-03
本文方便有經(jīng)驗的程序員進入Python世界.本文適用于python2.5/2.6版本.2009-11-11
這篇文章主要為大家詳細介紹了如何溧陽Python和Pygame實現(xiàn)彩色五子棋游戲，文中的示例代碼講解詳細，感興趣的小伙伴可以跟隨小編一起學習一下2023-02-02
大家都知道Pandas是基于Python平臺的大數(shù)據(jù)分析與處理的利器,它可以把十分復(fù)雜的可視化過程,變得簡單一點,這篇文章主要給大家介紹了關(guān)于Pandas可視化圖表的相關(guān)資料,需要的朋友可以參考下2021-08-08