O(n) 字符串中单词列表的出现次数

Question

我已经看过类似问题的答案：

其中 ahocorasick 算法用于显示列表中的每个单词是否存在于字符串中，复杂度为 O(n)。但是我想获取字符串中列表中每个单词的频率。

例如如果

my_string = "some text yes text text some"
my_list = ["some", "text", "yes", "not"]

我想要结果：

[2, 3, 1, 0]

我在 documentation 中没有找到这方面的确切示例，知道如何实现吗？

除了使用 ahocorasick 之外的其他 O(n) 解决方案也将不胜感激。

Answer 1

您可以使用列表理解来计算特定列表在 my_string 中出现的次数：

[my_string.split().count(i) for i in my_list]
[2, 3, 1, 0]

Answer 2

你可以用字典来统计你关心的词出现的次数：

counts = dict.fromkeys(my_list, 0) # initialize the counting dict with all counts at zero

for word in my_string.split():
    if word in counts:     # this test filters out any unwanted words
        counts[word] += 1  # increment the count

counts 字典将保存每个单词的计数。如果你确实需要一个与原始关键字列表顺序相同的计数列表（而 dict 不会这样做），你可以在循环完成后添加最后一步：

results = [counts[word] for word in my_list]

Answer 3

实施：

这是一个 Aho-Corasick 频率计数器：

import ahocorasick

def ac_frequency(needles, haystack):
    frequencies = [0] * len(needles)
    # Make a searcher
    searcher = ahocorasick.Automaton()
    for i, needle in enumerate(needles):
        searcher.add_word(needle, i)
    searcher.make_automaton()
    # Add up all frequencies
    for _, i in searcher.iter(haystack):
        frequencies[i] += 1
    return frequencies

（对于您的示例，您将调用 ac_frequency(my_list, my_string) 来获取计数列表）

对于大中型输入，这将比其他方法快得多。

备注：

对于真实数据，此方法可能会产生与发布的其他解决方案不同的结果，因为 Aho-Corasick 会查找所有次目标词，包括子字符串。

如果只想查找完整单词，可以使用 space/punctuation-padded 版本的原始字符串调用 searcher.add_word：

    ...
    padding_start = [" ", "\n", "\t"]
    padding_end = [" ", ".", ";", ",", "-", "–", "—", "?", "!", "\n"]
    for i, needle in enumerate(needles):
        for s, e in [(s,e) for s in padding_start for e in padding_end]:
            searcher.add_word(s + needle + e, i)
    searcher.make_automaton()
    # Add up all frequencies
    for _, i in searcher.iter(" " + haystack + " "):
    ...

Answer 4

collections模块中的Counter可能对你有用：

from collections import Counter

my_string = "some text yes text text some"
my_list = ["some", "text", "yes", "not"]

counter = Counter(my_string.split(' '))
[counter.get(item, 0) for item in my_list]

# out: [2, 3, 1, 0]

O(n) 字符串中单词列表的出现次数

number of occurrences of list of words in a string with O(n)

python-3.x

aho-corasick

find-occurrences