建站
咨詢
售后
建站咨詢
新聞中心
索引引擎的基本工作原理便是倒排索引, 即將一個文檔所包含的文字反過來映射至文檔; 這方面算法并沒有太多花樣可言, 為了增加效率, 索引數(shù)據(jù)盡可往內(nèi)存里面搬。
而基本思路舉個簡單例子, 現(xiàn)在有以下文檔 (分詞已經(jīng)完成) 以及其包含的關(guān)鍵詞：
doc_a: [word_w, word_x, word_y] doc_b: [word_x, word_z] doc_c: [word_y]
將其變換為
word_w -> [doc_a] word_x -> [doc_a, doc_b] word_y -> [doc_a, doc_c] word_z -> [doc_b]
寫成 python 代碼, 便是
doc_a = {'id': 'a', 'words': ['word_w', 'word_x', 'word_y']}
doc_b = {'id': 'b', 'words': ['word_x', 'word_z']}
doc_c = {'id': 'c', 'words': ['word_y']}
docs = [doc_a, doc_b, doc_c]
indices = dict()
for doc in docs:
for word in doc['words']:
if word not in indices:
indices[word] = []
indices[word].append(doc['id'])
print indices
不過這里有個小技巧, 就是對于判斷當(dāng)前詞是否已經(jīng)在索引字典里的分支
if word not in indices: indices[word] = []
可以被 dict 的 setdefault(key, default=None) 接口替換. 此接口的作用是, 如果 key 在字典里, 那么好說, 拿出對應(yīng)的值來; 否則, 新建此 key , 且設(shè)置默認(rèn)對應(yīng)值為 default . 但從設(shè)計上來說, 我不明白為何 default 有個默認(rèn)值 None , 看起來并無多大意義, 如果確要使用此接口, 大體都會自帶默認(rèn)值吧, 如下
for doc in docs: for word in doc['words']: indices. setdefault(word, []) .append(doc['id'])
這樣就省掉分支了, 代碼看起來少很多.
不過在某些情況下, setdefault 用起來并不順手: 當(dāng) default 值構(gòu)造很復(fù)雜時, 或產(chǎn)生 default 值有副作用時, 以及一個之后會說到的情況; 前兩種情況一言以蔽之, 就是 setdefault 不適用于 default 需要惰性求值的場景. 換言之, 為了兼顧這種需求, setdefault 可能會設(shè)計成
def setdefault(self, key, default_factory): if key not in self: self[key] = default_factory() return self[key]
倘若真如此, 那么上面的代碼應(yīng)改成
for doc in docs: for word in doc['words']: indices.setdefault(word, list ).append(doc['id'])
不過實際上有其它替代方案, 這個最后會提到.
如果說上面只是一個能預(yù)見但實際上可能根本不會遇到的 API 缺陷, 那么下面這個就略打臉了.
考慮現(xiàn)在要進(jìn)行詞頻統(tǒng)計, 即一個詞在文章中出現(xiàn)了多少次, 如果直接拿 dict 來寫, 大致是
def word_count(words): count = dict() for word in words: count.setdefault(word, 0) += 1 return count print word_count(['hiiragi', 'kagami', 'hiiragi', 'tukasa', 'yosimizu', 'kagami'])
當(dāng)你興致勃勃地跑起上面代碼時, 代碼會以迅雷不及掩臉之勢把異常甩到你鼻尖上 --- 因為出現(xiàn)在 += 操作符左邊的 count.setdefault(word, 0) 在 Python 中不是一個左值. 怎樣, 現(xiàn)在開始念叨 C艸 類型體系的好了吧.
因為 Python 把默認(rèn)的字面常量 {} 等價于 dict() 就認(rèn)為 dict 是銀彈的思想是要不得的; Python 里面各種數(shù)據(jù)結(jié)構(gòu)不少, 解決統(tǒng)計問題, 理想的方案是 collections.defaultdict 這個類. 下面的代碼想必看一眼就明白
from collections import defaultdict
doc_a = {'id': 'a', 'words': ['word_w', 'word_x', 'word_y']}
doc_b = {'id': 'b', 'words': ['word_x', 'word_z']}
doc_c = {'id': 'c', 'words': ['word_y']}
docs = [doc_a, doc_b, doc_c]
indices = defaultdict(list)
for doc in docs:
for word in doc['words']:
indices[word].append(doc['id'])
print indices
def word_count(words):
count = defaultdict(int)
for word in words:
count[word] += 1
return count
print word_count(['hiiragi', 'kagami', 'hiiragi', 'tukasa', 'yosimizu', 'kagami'])
完滿解決了之前遇到的那些破事.
此外 collections 里還有個 Counter , 可以粗略認(rèn)為它是 defaultdict(int) 的擴(kuò)展.
分享名稱：創(chuàng)新互聯(lián)Python教程：巧用Python字典處理索引統(tǒng)計
文章起源：http://www.5511xx.com/article/djgedjg.html
