集合与字典的应用¶

实例：查询首都¶

文件“7.7 国家与首都.csv”中保存了世界上大部分国家和地区的名称和首都信息，每行一个国家，国家名和首都名之间用英文逗号分隔。请读取文件内容，并构造合适的数据类型存储这些数据，编写程序完成查询功能。接收用户输入的国家或地区的名称，输出对应的首都或行政中心名称，当输入错误时输出“输入错误”。要求程序可以重复接收用户输入，直接输入回车时退出程序。

文件“7.7 国家与首都.csv”中的数据格式如下：

解析：本题可以用列表实现，也可以用字典实现，但字典可以根据键值进行索引，效率远高于列表。建议使用字典数据类型存储数据，以国家名为键，以首都名为值进行存储。可以通过构造一个无限循环来实现重复输入，输入回车退出的判定条件是输入为空字符串。在设计程序时，可以将读数据到文件和查询分为两个功能模块，各定义一个函数分别实现，其优点是每个函数的功能和逻辑都比较简单，代码量也少，容易实现和调试维护。

def countries(filename):
    """接收文件名为参数，读取这个文件中的数据，根据逗号将国家名与首都切分开，创建键为国家名，值为首都的字典，返回这个字典"""
    capitals = {}                        # 创建空字典
    with open(filename, 'r', encoding='utf-8') as data:
        for x in data:                   # 逐行遍历文件，字符串
            line = x.strip().split(',')  # 切分x为列表，国家名，首都
            
            capitals[line[0]] = line[1]  # 加入新元素,国家名:首都
    return capitals                      # 返回创建的字典


def query():
    """接受用户输入的国家名，查询并返回该国家的首都；当国家名不存在时，输出'输入错误'; 当输入为空时，结束程序"""
    while True:            # 构建无限循环
        country = input()  # 输入要查询的国家名称
        if country == '':  # 当输入回车（输入为空）时
            break          # 终止循环，结束程序
        else:              # 输出首都，国家名不存在时，输出'输入错误'
            print(capital.get(country, '输入错误'))


if __name__ == '__main__':
    file = 'images/ch7/7.7 国家与首都.csv'
    capital = countries(file)   # 调用函数读file文件获得字典
    query()                     # 调用查询首都函数

词频统计¶

统计“7.8 宋词三百首.txt”中出现次数最多的10个词和每个词出现的次数。

解析：

词和词出现的次数正好可以用字典中的键值对表示，遍历“7.8 宋词三百首.txt”，以每个词为键，以该词出现的次数为值，构成一个词典。对词典进行降序排序，输出前10个元素。
中文的文章与英文不同，中文中以句子为分隔的，各词之间无分隔，所以要先将一个句子切分成多个单词。分词这项工作可以利用一个第三方库jieba 库中lcut(txt) 函数来完成，参数txt 为一个中文字符串。在使用第三方库之前，要先安装这个库，方法是：
```
pip install jieba
```
先定义一个读文件的函数，将文件内容读取为一个字符串。返回这个字符串，内容读出来拼接为一个字符串。
定义一个词频分析函数，调用file_string(file) 函数获得读取文件得到的字符串，利用jieba 库中lcut(txt) 函数分词得到中文词的列表。遍历这个列表，以非单字词（长度大于1）为键构建字典，将词的计数作为键的值反复修改字典，该词出现一次，其值就增加1，最终得到全部词的词频字典。利用sorted()函数根据字典的值进行降序排序，返回排序的结果。

import jieba             # jieba是中文分词库，将中文句子切分成词。


def file_string(file):
    """接受文件名为参数，读取文件中的数据成一个字符串，返回这个字符串"""
    txt = ''                                         # 创建空字符串
    with open(file, "r", encoding='utf-8') as data:  # 创建文件对象
        for line in data:                            # 遍历文件对象
            txt = txt + line.strip()                 # 拼接成字符串
    return txt                                       # 返回字符串


def cut_txt(txt):
    """利用jieba对字符串txt进行切分，返回元素为中文词的列表。"""
    word_list = jieba.lcut(txt)  # 用lcut()将字符串切分成词的列表
    return word_list


def text_analysis(word_list, txt):
    """接受一个字符串为参数，利用jieba对字符串进行分词，统计分析这个字符串中每个词出现的次数，
    以每个词为键，以该词出现的次数为值构建字典，按词出现的次数排序，返回降序排序的词频列表"""
    counts = {}                    # 创建一个空字典，counts = dict()
    for word in word_list:          # 遍历切分好的词
        if len(word) > 1:          # 跳过一个字的词不统计
            counts[word] = counts.get(word, 0) + 1  # 以当前词为键，值加1,初值0
    items = sorted(counts.items(), key=lambda x: x[1], reverse=True)  # 排序
    return items                   # 返回降序排序的词频列表


def print_words(items, n):
    for i in range(n):               # 输出前10 个元素
        word, count = items[i]       # 将元组中值赋给word和count
        print("{0:<4}{1:>4}".format(word, count))
        # 词语左对齐宽度4；数量右对齐宽度4


if __name__ == '__main__':
    filename = "images/ch7/7.8 宋词三百首.txt"  # 文件名
    text = file_string(filename)     # 调用读文件函数，返回字符串类型
    words_lst = cut_txt(text)
    ls = text_analysis(words_lst, text)         # 调用统计分析函数统计词频
    print_words(ls, 10)

Building prefix dict from the default dictionary ...
Dumping model to file cache /tmp/jieba.cache
Loading model cost 0.819 seconds.
Prefix dict has been built successfully.

东风    38
几道    30
斜阳    26
黄昏    26
吴文英   25
何处    24
天涯    24
相思    23
风雨    22
明月    22

7.3 集合与字典的应用.ipynb @master — view markup · raw · history · blame

集合与字典的应用¶

实例：查询首都¶

词频统计¶