从字典中排除单词

Question

我正在阅读文档，并拆分单词以获取字典中的每个单词，但我如何排除某些单词（如 "the/a/an"）。

这是我的功能：

private void Splitter(string[] file)
{
    try
    {
        tempDict = file
            .SelectMany(i => File.ReadAllLines(i)
            .SelectMany(line => line.Split(new[] { ' ', ',', '.', '?', '!', }, StringSplitOptions.RemoveEmptyEntries))
            .AsParallel()
            .Distinct())
            .GroupBy(word => word)
            .ToDictionary(g => g.Key, g => g.Count());
    }
    catch (Exception ex)
    {
        Ex(ex);
    }
}

此外，在这种情况下，添加 .ToLower() 调用以使文件中的所有单词变为小写的正确位置在哪里？在 (temp = file..):

之前，我正在考虑这样的事情

file.ToList().ConvertAll(d => d.ToLower());

Answer 1

是否要过滤掉 停用词？

 HashSet<String> StopWords = new HashSet<String> { 
   "a", "an", "the" 
 }; 

 ...

 tempDict = file
   .SelectMany(i => File.ReadAllLines(i)
   .SelectMany(line => line.Split(new[] { ' ', ',', '.', '?', '!', }, StringSplitOptions.RemoveEmptyEntries))
   .AsParallel()
   .Select(word => word.ToLower()) // <- To Lower case 
   .Where(word => !StopWords.Contains(word)) // <- No stop words
   .Distinct()
   .GroupBy(word => word)
   .ToDictionary(g => g.Key, g => g.Count());

但是，此代码是部分解决方案：像Berlin这样的专有名称将被转换为小写： berlin 以及首字母缩略词：KISS（保持简单，愚蠢）将变成 kiss，一些数字将是 不正确.

Answer 2

我会这样做：

var ignore = new [] { "the", "a", "an" };
tempDict = file
    .SelectMany(i =>
        File
            .ReadAllLines(i)
            .SelectMany(line =>
                line
                    .ToLowerInvariant()
                    .Split(
                        new[] { ' ', ',', '.', '?', '!', },
                        StringSplitOptions.RemoveEmptyEntries))
                    .AsParallel()
                    .Distinct())
    .Where(x => !ignore.Contains(x))
    .GroupBy(word => word)
    .ToDictionary(g => g.Key, g => g.Count());

如果性能成为问题，您可以将 ignore 更改为 HashSet<string>，但这不太可能，因为您使用的是文件 IO。

从字典中排除单词

Excluding words from dictionary

c#

wpf

dictionary

tolower