第11章 案例研究： 文本统计

到目前为止，你见到的代码片段大多只有几行，旨在演示某项Python功能。编程新手会很快发现，将小小的代码片段组织成完整的程序是一大步。要编写规模较大的程序，必须更详尽地规划，还需对如何以最佳方式结合使用各项Python功能有所了解。刚开始编写较大的程序时，可能需要反复试验。

本章将循序渐进地开发一个较大的 Python程序。首先对要解决的问题进行描述，然后创建一个解决问题的Python程序，并对其进行测试。

程序编写工作很棘手，但要演示这一点很难。看起来有了清晰的问题描述后，我们就找到了简洁的解决方案；但实际上绝不可能如此简单：需要反复试验，开始会遭遇失败，还常常需要推倒重来。通过编写程序，你将逐渐学会合并使用各种技术的最佳方式，并了解哪些解决方案通常对解决哪些问题行之有效。

11.1 问题描述

受邀为解决重要问题而编写程序时，编程新手常常不知道从何处着手。至少从笼统的角度说，答案很简单：编写大型程序时，先得明白要解决的问题。这看似简单，但未能正确认识要解决的问题是极其常见的编程错误。有时候，编写程序之所以很难，是因为你没有真正明白自已要做什么。

本章要解决的问题是，计算并打印有关文本文件内容的统计数据。我们想知道给定文本文件包含多少个字符、行和单词。除单词外，我们还想知道在文件中出现次数最多的前10个单词，并按出现次数排列它们。

来看一个包含一小段文本的例子。

A long time ago, in a galaxy far away...

它包含如下内容：

一行文本。我们假定换行字符(\n)被用于标识行尾，且不为空的文本文件至少包含一行。

46个字符，包括空格和标点在内。

总共10个单词。然而，不同的单词只有8个，因为far和A都出现了两次

在Python解释器中进行试验很有帮助，例如：

正如你看到的，函数len指出这个字符串包含46个字符；函数split将字符串划分为单词——如果忽略末尾...，字符串s总共包含10个单词。

如果仔细查看split返回的单词列表，将发现单词far出现了两次，但split将它们视为两个不同的字符串："far,"（末尾有逗号）和"far"(没有逗号)。同样，A和a也是相同的单词，只是大小写不同。

为处理上述细节，我们将精确地定义字符串为单词的含义：单词是包含一个或多个字符的字符串，其中每个字符都必须是小写字母a~z。我们将忽略非字母字符（如数字和标点），并将大写字母转换为小写。因此前面的示例如下。

原始文本：A long time ago, in a galaxy far, far away ...

修改后的文本：a long time ago, in a galaxy far, far away

通过将修改后的句子划分为单词，得到的结果更准确：

要计算不同的单词数，可将列表转换为集合（本书前面介绍过，集合不存储重复的值：）

删除非字母字符存在一些缺点。首先，字符数不对，因为有些字符被删除。但我们可采取这样应对的措施，即在修改前计算字符数。其次，对于有些单词，没有将其标点符号删除的好办法，例如，该如何 处理I‘d中的撇号呢？如果将其删除（并将I转换为小写），如果将为id，与原来的单词不同。如果将撇号替换为空格，结果将为I和d——一个是单词，一个不是。为解决这个问题，我们将撇号（还有连字符）视为字母。第三，改变大小定可能改变单词的含义。例如，将有些名字的首字母小定后，它将变成单词，如Polish(polish)和Bonnie(bonnie)。我们不考虑这个问题，因为它看起来并非什么大问题。

11.2 保留想要的字母

接下来，考虑如何自动将字符串转换成所需的格式。将字符串转换为小写很容易，如下所示。

删除不想要的字符有点棘手，一种办法是使用字符串函数replace将不要的字符替换为空字符，例如：

这种做法的问题在于，需要调用replace很多次：每种不需要的字符一次。相比于要保留的字符，要删除的字符多得多，因此这种做法的效率极低。

一种更佳的方法是保留想要的字母，例如：

#keep.py #包含所有要保留的字符的集合 keep = {'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', ' ', '-', "'"} def normalize(s): """Convert s to a normalized string. """ result = '' for c in s.lower(): if c in keep: result +=c return result

运行：

这个函数以每次一个字符的方式遍历字符串s，仅当字符包含在要保留的字符集合中时，才将其附加到 result末尾。

11.3 使用大型数据文件测试代码

我们编写的代码不多，但足够做一些有用的实验。在下面的示例中，我们将使用文件PythonStandardLibraryCoreModules1999.txt作为测试文件，要处理文本文件，方式之一是将整个文件作为一个字符串读取到内存中。下面在解释器中手工完成这项任务。

从输出可知，这个文件包含82651个字符， 2210行， 12224个单词

下面将所有代码放在一个函数中，以自动完成这项任务

#filecount.py #包含所有要保留的字符的集合 keep = {'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', ' ', '-', "'"} def normalize(s): """Convert s to a normalized string. """ result = '' for c in s.lower(): if c in keep: result +=c return result def file_stats(fname): """ Print statistics for the given file. """ s = open(fname, 'r').read() num_chars = len(s) num_lines = s.count('\n') num_words = len(normalize(s).split()) print("The file '%s' has: " % fname) print(" %s characters" % num_chars) print(" %s lines" % num_lines) print(" %s words" % num_words)

运行如下：

11.4 找出出现次数较多的单词

来考虑如下问题：找出文本文件中出现次数较多的单词。这里的解决方案是，创建一个字典，其中的键为单词，值为单词在文件中出现的次数。

例如：对于前面的示例文本（经过规范化）：

a long time ago in a galaxy far far away

各个单词出现的次如下：

a: 2 long: 1 time: 1 ago: 1 in: 1 galaxy: 1 far: 2 away: 1

如果我们将上述内容转换为一个Python字典，结果钭类似于下面这样：

d = { 'a': 2, 'long': 1， 'time': 1， 'ago': 1， 'in': 1， 'galaxy': 1， 'far': 2， 'away': 1 }

可从这个字典提取很多有用的信息。

d.keys()是一个列表，包含文件中所有不同的单词

len(d.keys())是文件中不同的单词数

sum(d[k] for k in d)是d中所有值之和，即文件包含的单词总数(包括重复的单词)。sum是一个Python内置函数，返回序列的总和。

字典存储的数据未经排序，因此要获取一个清单，按出现次数从高到低的顺序列出所有单词，需要将字典转换为元组列表，如下所示。

#findword.py 找出出现次数较多的单词 d = { 'a': 2, 'long': 1, 'time': 1, 'ago': 1, 'in': 1, 'galaxy': 1, 'far': 2, 'away': 1 } ​ def findword(): lst = [] for k in d: pair = (d[k], k) lst.append(pair) print(lst) lst.sort() #排序 print(lst) lst.reverse() #逆序 print(lst)

其中的for循环将字典d转换为由元组(count, word)组成的列表。经过这样的转换后，就可使用列表函数sort按出现次数对数据排序。默认情况下，函数sort按从小到大的顺序排列数据，因为我们反转列表的排列顺序，将出现次数最多的单词（通常也是我们最感兴趣的单词）放在列表开头。

将lst中的单词按出现次数从高到低排列后，就可使用切片来获取出现次数最多的3个单词：

print(lst[:3])

如果要让输出更整洁，可以这样做：

#findword.py 找出出现次数较多的单词 d = { 'a': 2, 'long': 1, 'time': 1, 'ago': 1, 'in': 1, 'galaxy': 1, 'far': 2, 'away': 1 } def findword(): lst = [] for k in d: pair = (d[k], k) lst.append(pair) print(lst) lst.sort() #排序 print(lst) lst.reverse() #逆序 #print(lst) #print(lst[:3]) for count, word in lst: print('%4s %s' % (count, word))

注意到在每个单词的出现次数前面，都有3个空格。这是因为print语句包含格式命令%4s，它让数字在宽度为4的字段中右对齐。只要没有单词出现的次数达到或超过1000，这就可确保出现次数完全对齐。

11.5 将字符串转换为次数字典

下面来编写一个函数，它接受字符串s并生成一个字典，该字典的键为s中的单词，值为单词出现的次数：

#stringToDict.py #包含所有要保留的字符的集合 keep = {'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', ' ', '-', "'"} def normalize(s): """Convert s to a normalized string. """ result = '' for c in s.lower(): if c in keep: result +=c return result def make_freq_dict(s): """Returns a dictionary whose keys are the words of s, dnd whose values are the counts of those words. """ s = normalize(s) words = s.split() d = {} for w in words: if w in d: #看到w出现过？ d[w] += 1 else: d[w] = 1 return d

运行：

这个函数遍历字符串s的每个单词，并将其加入到字典中。如果w是包含在d中的键，if语句if w in d 的条件将为True，否则为False。如果w是包含在d中的键，则说明w出现过，因此将其出现次数加1；如果w未包含在d中，就使用语句d[w] = 1将其作为新键加入到字典中。

组织在一起

现在万事俱备，可以编写一个函数，计算并显示给定文本文件的统计数据：

#countfileword.py #包含所有要保留的字符的集合 keep = {'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', ' ', '-', "'"} def normalize(s): """Convert s to a normalized string. """ result = '' for c in s.lower(): if c in keep: result +=c return result def make_freq_dict(s): """Returns a dictionary whose keys are the words of s, dnd whose values are the counts of those words. """ s = normalize(s) words = s.split() d = {} for w in words: if w in d: #看到w出现过？ d[w] += 1 else: d[w] = 1 return d def print_file_stats(fname): """Print statistics for the given file. """ s = open(fname, 'r').read() num_chars = len(s) #在规范化s之前计算 num_lines = s.count('\n') #在规范化s之前计算 d = make_freq_dict(s) num_words = sum(d[w] for w in d) #计算s包含多少个单词 #创建一个列表，其中的元素由出现次数和单词组成的元组 #并按出现次数从高到低排列 lst = [(d[w], w) for w in d] lst.sort() lst.reverse() print("The file '%s' has: " % fname) print(" %s characters" % num_chars) print(" %s lines" % num_lines) print(" %s words" % num_words) print("\nThe top 10 most frequent words are:") i = 1 # i为列表元素编号 for count, word in lst[:10]: print('%2s. %4s %s' % (i, count, word)) i += 1

运行：

练习

1.修改函数print_file_stats,使其也打印文件中不同的单词总数。

2.修改函数print_file_stats,使其打印文件中单词的平均长度。

3.罕用语（hapax hegomenon）是在文件中只出现过一次的单词。请修改函数print_file_stats，使其打印罕用语总数。

4。前面说过，文件bill.txt中出现频率最高的10个单词都是功能词，如the和and。我们通常对这些单词不感兴趣，因此我们可创建一个排除词(stop word)集合，其中包含要忽略的所有单词。

在函数print_file_stats中新增一个名为stop_words的变量，如下所示：

stop_words = {'the', 'and', 'i', 'to', 'of', 'a', 'you', 'my', 'that', 'in'}

当然，你可根据自已的喜好修改排除词集合。现在，修改程序的代码，在计算所有统计数据时，都将stop_list中的单词排除在外。

5.（较难）函数print_file_stats将一个文件名作为输入，并将整个文件都读取到一个字符串变量中。这种做法的问题在于，如果文件很大，将整个文件都放在一个字符串变量中将占用大量内存。

另一种做法是以每次一行的方式读取文件，这样占用的内存通常少得多。

请编写一个名为print_file_stats_lines的新函数，其功能与print_file_stats完全相同，但逐行读取输入文件。使用相同的文件调用这两个函数时，它们的输出应该相同。

#countwordpractice.py

from time import strftime, localtime #时间相关的模块

import datetime #获取系统时间

​

#包含所有要保留的字符的集合

keep = {'a', 'b', 'c', 'd', 'e',

'f', 'g', 'h', 'i', 'j',

'k', 'l', 'm', 'n', 'o',

'p', 'q', 'r', 's', 't',

'u', 'v', 'w', 'x', 'y',

'z', ' ', '-', "'"}

def normalize(s):

"""Convert s to a normalized string.

"""

result = ''

for c in s.lower():

if c in keep:

result +=c

return result

​

def make_freq_dict(s):

"""Returns a dictionary whose keys are the words of s,

dnd whose values are the counts of those words.

"""

s = normalize(s)

words = s.split()

d = {}

for w in words:

if w in d: #看到w出现过？

d[w] += 1

else:

d[w] = 1

return d

​

def print_file_stats(fname):

"""Print statistics for the given file.

"""

start = datetime.datetime.now()

s = open(fname, 'r').read()

num_chars = len(s) #在规范化s之前计算

num_lines = s.count('\n') #在规范化s之前计算

d = make_freq_dict(s)

#print("print_file_stats======d===========", d)

num_words = sum(d[w] for w in d) #计算s包含多少个单词

#创建一个列表，其中的元素由出现次数和单词组成的元组

#并按出现次数从高到低排列

lst = [(d[w], w) for w in d]

lst.sort()

lst.reverse()

print("The file '%s' has: " % fname)

print(" %s characters" % num_chars)

print(" %s lines" % num_lines)

print(" %s words" % num_words)

end = datetime.datetime.now()

print(end - start) #打印运行时间

#return

print("\nThe top 10 most frequent words are:")

i = 1 # i为列表元素编号

for count, word in lst[:10]:

print('%2s. %4s %s' % (i, count, word))

i += 1

​

#1.打印文件中不同的单词总数。

nWordCount = len(lst)

print("1.打印文件中不同的单词总数 word count = %d" % nWordCount)

#print(lst)

#2.打印文件中单词的平均长度。

#[(12, 'the'), (10, 'modules'), (8, 'of'), (6, 'are')...]

#(count, word)是一组键值对

# | |

# 12 the

nCharCount = 0

for count, word in lst:

#print('%2s. %4s %s' % (i, count, len(word)))

#i += 1

nCharCount += len(word)

print("2.打印文件中单词的平均长度 average word length = %d" % (nCharCount / nWordCount))

#罕用语（hapax hegomenon）是在文件中只出现过一次的单词。

#请修改函数print_file_stats，使其打印罕用语总数

hapax = 0

for count, word in lst:

if count > 1: #单词数大于1过滤掉

continue

hapax += 1

print("3.打印文件中打印罕用语总数hapax hegomenon = %d" % hapax)

#4。前面说过，文件bill.txt中出现频率最高的10个单词都是功能词，如the和and。

#我们通常对这些单词不感兴趣，因此我们可创建一个排除词(stop word)集合，

#其中包含要忽略的所有单词。在函数print_file_stats中新增一个名为stop_words的变量，

#如下所示：

stop_words = {'the', 'and', 'i', 'to', 'of', 'a', 'you', 'my', 'that', 'in'}

#当然，你可根据自已的喜好修改排除词集合。现在，修改程序的代码，在计算所有统计数据时，

#都将stop_list中的单词排除在外。

validWord = [] #创建空的列表

j = 0

for count, word in lst:

if not (word in stop_words):

#print('validWord[%3s]= %4s %s' % (j, count, word))

j += 1

validWord.append(word) #如果单词不在stop_words里，添加到有效单词中

print("4.有效单词个数 validWard = %d" % len(validWord))

​

"""

5.（较难）函数print_file_stats将一个文件名作为输入，并将整个文件都读取到一个字符串变量中。

这种做法的问题在于，如果文件很大，将整个文件都放在一个字符串变量中将占用大量内存。

另一种做法是以每次一行的方式读取文件，这样占用的内存通常少得多。

请编写一个名为print_file_stats_lines的新函数，其功能与print_file_stats完全相同，

但逐行读取输入文件。使用相同的文件调用这两个函数时，它们的输出应该相同。

"""

def print_file_stats_lines(fname):

"""Print statistics for the given file.

"""

#with open(fname, 'r') as file_object:

# contents = file_object.read()

# print(contents)

start = datetime.datetime.now()

#print(strftime("%Y-%m-%d %H:%M:%S", localtime())) # 打印当前时间

#逐行读取

num_lines = 0

num_chars = 0

d = {}

s = ''

with open(fname, 'r') as file_object:

lines = file_object.readlines()

for line in lines:

#print("line[%3s]======%s" % (num_lines, line))

num_lines += 1

num_chars += len(line)

#d += make_freq_dict(line)

#s = normalize(line)

for c in line.lower():

if c in keep:

s += c

​

words = s.split()

for w in words:

if w in d: #看到w出现过？

d[w] += 1

else:

d[w] = 1

#print("print_file_stats_lines=====d===========", d)

num_words = sum(d[w] for w in d) #计算s包含多少个单词

#print("num_words===========%d" % num_words)

#创建一个列表，其中的元素由出现次数和单词组成的元组

#并按出现次数从高到低排列

lst = [(d[w], w) for w in d]

lst.sort()

lst.reverse()

print("The file '%s' has: " % fname)

print(" %s characters" % num_chars)

print(" %s lines" % num_lines)

print(" %s words" % num_words)

end = datetime.datetime.now()

print(end - start) #打印运行时间

#return

print("\nThe top 10 most frequent words are:")

i = 1 # i为列表元素编号

for count, word in lst[:10]:

print('%2s. %4s %s' % (i, count, word))

i += 1

​

#1.打印文件中不同的单词总数。

nWordCount = len(lst)

print("1.打印文件中不同的单词总数 word count = %d" % nWordCount)

#print(lst)

#2.打印文件中单词的平均长度。

#[(12, 'the'), (10, 'modules'), (8, 'of'), (6, 'are')...]

#(count, word)是一组键值对

# | |

# 12 the

nCharCount = 0

for count, word in lst:

#print('%2s. %4s %s' % (i, count, len(word)))

#i += 1

nCharCount += len(word)

print("2.打印文件中单词的平均长度 average word length = %d" % (nCharCount / nWordCount))

#罕用语（hapax hegomenon）是在文件中只出现过一次的单词。

#请修改函数print_file_stats，使其打印罕用语总数

hapax = 0

for count, word in lst:

if count > 1: #单词数大于1过滤掉

continue

hapax += 1

print("3.打印文件中打印罕用语总数hapax hegomenon = %d" % hapax)

#4。前面说过，文件bill.txt中出现频率最高的10个单词都是功能词，如the和and。

#我们通常对这些单词不感兴趣，因此我们可创建一个排除词(stop word)集合，

#其中包含要忽略的所有单词。在函数print_file_stats中新增一个名为stop_words的变量，

#如下所示：

stop_words = {'the', 'and', 'i', 'to', 'of', 'a', 'you', 'my', 'that', 'in'}

#当然，你可根据自已的喜好修改排除词集合。现在，修改程序的代码，在计算所有统计数据时，

#都将stop_list中的单词排除在外。

validWord = [] #创建空的列表

j = 0

for count, word in lst:

if not (word in stop_words):

#print('validWord[%3s]= %4s %s' % (j, count, word))

j += 1

validWord.append(word) #如果单词不在stop_words里，添加到有效单词中

print("4.有效单词长度 length = %d" % len(validWord))

​

11.8 最终的程序

最终的程序代码如下：

#wordstats.py #包含所有要保留的字符的集合 keep = {'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z', ' ', '-', "'"} def normalize(s): """Convert s to a normalized string. """ result = '' for c in s.lower(): if c in keep: result +=c return result def make_freq_dict(s): """Returns a dictionary whose keys are the words of s, and whose values are the counts of those words. """ s = normalize(s) words = s.split() d = {} for w in words: if w in d: #如果w出现过，就将其出现次数加1 d[w] += 1 else: d[w] = 1 #如果w是第一次出现，就将其出现次数设置为1 return d def print_file_stats(fname): """Print statistics for the given file. """ s = open(fname, 'r').read() num_chars = len(s) #在规范化s之前计算字符数 num_lines = s.count('\n') #在规范化s之前计算行数 d = make_freq_dict(s) num_words = sum(d[w] for w in d) #计算s包含多少个单词 #创建一个列表，其中的元素由出现次数和单词组成的元组 #并按出现次数从高到低排列 lst = [(d[w], w) for w in d] lst.sort() lst.reverse() #在屏幕上打印结果 print("The file '%s' has: " % fname) print(" %s characters" % num_chars) print(" %s lines" % num_lines) print(" %s words" % num_words) print("\n The top 10 most frequent words are:") i = 1 #i为列表元素编号 for count, word in lst[:10]: print('%2s. %4s %s' % (i, count, word)) i += 1 def main(): print_file_stats('bill.txt') ​ if __name__ == '__main__': main()

运行：