欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

21行Python代碼實(shí)現(xiàn)拼寫檢查器

 更新時(shí)間:2016年01月25日 09:12:40   作者:lxydo  
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,感興趣的小伙伴們可以參考一下

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))

    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
    2019-12-12
  • Python+Tkinter實(shí)現(xiàn)股票K線圖的繪制

    Python+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
    2022-08-08
  • python里大整數(shù)相乘相關(guān)技巧指南

    python里大整數(shù)相乘相關(guān)技巧指南

    對(duì)于大整數(shù)計(jì)算,一般都要用某種方法轉(zhuǎn)化,否則會(huì)溢出。但是python無(wú)此擔(dān)憂了。Python支持“無(wú)限精度”的整數(shù),一般情況下不用考慮整數(shù)溢出的問(wèn)題,而且Python Int類型與任意精度的Long整數(shù)類可以無(wú)縫轉(zhuǎn)換,超過(guò)Int 范圍的情況都將轉(zhuǎn)換成Long類型。
    2014-09-09
  • python 字典(dict)遍歷的四種方法性能測(cè)試報(bào)告

    python 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
    2014-06-06
  • TensorFlow 合并/連接數(shù)組的方法

    TensorFlow 合并/連接數(shù)組的方法

    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(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
    2018-07-07
  • Python中static相關(guān)知識(shí)小結(jié)

    Python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。
    2018-01-01
  • Python計(jì)算回文數(shù)的方法

    Python計(jì)算回文數(shù)的方法

    這篇文章主要介紹了Python計(jì)算回文數(shù)的方法,實(shí)例分析了Python操作字符串的技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下
    2015-03-03
  • Python2.5/2.6實(shí)用教程 入門基礎(chǔ)篇

    Python2.5/2.6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.
    2009-11-11
  • Python+Pygame實(shí)現(xiàn)彩色五子棋游戲

    Python+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
  • 一篇文章讓你快速掌握Pandas可視化圖表

    一篇文章讓你快速掌握Pandas可視化圖表

    大家都知道Pandas是基于Python平臺(tái)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(guò)程,變得簡(jiǎn)單一點(diǎn),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

最新評(píng)論