Python 文档比较 - 返回不在其他文档中的所有单词

Question

我正在尝试创建一个 "translation comparison" 程序来读取和比较两个文档，然后 returns ALL 个文档中不存在的单词在另一份文件中。现在，我的程序只有 returns 'file1' 中不在 'file2' 中的单词的第一个实例。这是给初学者 class 的，所以我尽量避免使用晦涩的内部方法，即使这意味着代码效率较低。这是我目前所拥有的...

def translation_comparison():
   import re
   file1 = open("Desktop/file1.txt","r")
   file2 = open("Desktop/file2.txt","r")
   text1 = file1.read()
   text2 = file2.read()
   text1 = re.findall(r'\w+',text1)
   text2 = re.findall(r'\w+',text2)
   for item in text2:
       if item not in text1:
           return item

Answer 1

你可以这样做：

def translation_comparison():
   import re
   file1 = open("text1.txt","r")
   file2 = open("text2.txt","r")
   text1 = file1.read()
   text2 = file2.read()
   text1 = re.findall(r'\w+',text1)
   text2 = re.findall(r'\w+',text2)
   # added lines below
   text1 = list(set(text1))
   text2 = list(set(text2))
   for word in text2:
    if word in text1:
        text1.remove(word)
   return text1

看看我的评论。我们首先获取每个文档中单词列表的集合。这给我们留下了一个只有唯一单词的列表，以防出现重复。接下来，我们遍历第二个文本中的每个单词，如果该单词也存在于第一个文本中，我们将其从第一个文本的单词列表中删除。最后，我们将只剩下 text1 中不在 text2 中的单词。我们 return 最后的列表，其中包含所有这些词。

让我知道这是否有意义，或者如果您有任何问题。

编辑：根据@blckknght 的建议，一种更简单的方法是简单地使用集合减法，如下所示：

def translation_comparison():
   import re
   file1 = open("text1.txt","r")
   file2 = open("text2.txt","r")
   text1 = file1.read()
   text2 = file2.read()
   text1 = re.findall(r'\w+',text1)
   text2 = re.findall(r'\w+',text2)
   return list(set(text1) - set(text2))

另请注意，这将不同大小写的同一个词（例如：The 与 the）视为不同的词。虽然这很容易通过基本的列表理解来解决：text1 = [x.lower() for x in text1] 和 text2 = [x.lower() for x in text2].

Answer 2

注意大写单词。示例 "Foo" 和 "foo" 将被视为两个不同的词，而实际上它们是相同的。该代码会将此视为不匹配，并将 return

Answer 3

虽然Jason Brooks的回答很完美，但我想你也可以看看这个。这利用了 set() 的基本功能，不需要循环。

def translation_comparison():
    import re
    file1 = open("text1.txt","r")
    file2 = open("text2.txt","r")
    text1 = file1.read()
    text2 = file2.read()
    text1 = set(re.findall(r'\w+',text1))
    text2 = set(re.findall(r'\w+',text2))
    return list(text1.difference(text2))

set().difference()是一个基本的方法。所以我猜，这可能不算 "obscure internal method".

Python 文档比较 - 返回不在其他文档中的所有单词

Python Document Comparison - returning ALL words NOT IN other document

python

for-loop

string-comparison