如何从我拥有的这个函数创建一个 n-gram 函数？

问题描述

我有以下函数来计算字符串中的字符数，以便写入字符串：

def count_char(s):
    result = {}
    for i in range(len(s)):
        result[s[i]] = s.count(s[i])
    return result

例如。我们有：

count_char("practice")
{'p' : 1,'r' : 1,'a' : 1,'c' : 2,'t' : 1,'i' : 1,'e' : 1}

从这个函数中，我如何创建一个函数来计算每个 n-gram 在字符串中出现的次数？例如，

ngrams("tataki",n=2)
{'ta':2,'at':1,'ak':1,'ki':1}

函数 ngrams 应该是对函数 count_char 的修改，但我现在不知道该怎么做...

解决方法

你可以给你的函数添加一个长度参数；然后只需将切片从 1 个字符扩展到该长度：

def count_char(s,l = 1):
    result = {}
    for i in range(len(s)-l+1):
        result[s[i:i+l]] = s.count(s[i:i+l])
    return result

print(count_char("practice"))
print(count_char('tataki',2))

输出：

{'p': 1,'r': 1,'a': 1,'c': 2,'t': 1,'i': 1,'e': 1}
{'ta': 2,'at': 1,'ak': 1,'ki': 1}

请注意，str.count 只计算非重叠出现的次数，因此 count_char('ttt',2) 将返回 1，而不是 2。如果您想计算重叠出现的次数，则需要手动执行此操作。例如：

def count_char(s,l = 1):
    result = {}
    for i in range(len(s)-l+1):
        sub = s[i:i+l]
        if sub not in result:
            result[sub] = sum(s[j:j+l] == sub for j in range(len(s)-l+1))
    return result

此函数在调用为 2 时将返回 count_char('ttt',2)。