学习python笔记（一），列表嵌套的频率统计与排序

学习python笔记（一），列表嵌套的频率统计与排序

第一次记录自己学习过程中遇到的问题，并记录与分享。
《python网络数据采集》第95页，提到了将数据清洗后进行序列统计排序的问题，但未给出代码，并且他以字典方式实现我实在看不明白。。就试着自己写了种办法

x = [[1, 2], [1, 2], [2, 3], [2, 3], [2, 3], [3, 4]]
y = [list(t) for t in set(tuple(_) for _ in x)]  # 列表嵌套去重
n = [x.count(i) for i in y]  # 统计频率
z = zip(y, n)
z = sorted(z, key=lambda t: t[1], reverse=True)  # 按频率倒排序
print(z)

输出结果

[([2, 3], 3), ([1, 2], 2), ([3, 4], 1)]

一开始对x直接使用set函数报错

x = [[1, 2], [1, 2], [2, 3], [2, 3], [2, 3], [3, 4]]
set(x)

报错为
TypeError: unhashable type: ‘list’
查资料后发现set不能对列表去重，但是可以对元组去重，去重后再将其变为列表

x = [[1, 2], [1, 2], [2, 3], [2, 3], [2, 3], [3, 4]]
y = [list(t) for t in set(tuple(_) for _ in x)]

最后书中代码与此方法结合

import requests
from bs4 import BeautifulSoup
import re
import string
from collections import OrderedDict

headers = {'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, sdch, br',
'Accept-Language': 'zh-CN,zh;q=0.9',
'Connection': 'keep-alive',
'referer': 'https://zh.wikipeida.org',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
}

def clean_input(str_input):
str_input = re.sub('\n+', ' ', str_input)  # 去除换行
str_input = re.sub(r'\[[0-9]*\]', '', str_input)  # 去除引用标记
str_input = re.sub(' +', ' ', str_input)  # 去除多余空格
str_input = bytes(str_input, 'utf-8')
str_input = str_input.decode('ascii', 'ignore')
str_input = str_input.split(' ')
str_clean_input = []
for item in str_input:
# 去除标点符号
item = item.strip(string.punctuation)
# 去除单字符单词
if len(item) > 1 or item.lower() == 'a' or item.lower() == 'i':
str_clean_input.append(item)
return str_clean_input

def n_grams(str_input, n):
str_input = clean_input(str_input)
str_output = [str_input[i:i+n] for i in range(len(str_input)-n+1)]
set_str_output = [list(t) for t in set(tuple(_) for _ in str_output)]
str_count = [str_output.count(output) for output in set_str_output]
dict_output = zip(set_str_output, str_count)
return dict_output

html = requests.get('https://en.wikipedia.org/wiki/Roger_Federer', headers=headers)
html.encoding = 'utf-8'
bs0bj = BeautifulSoup(html.text, 'lxml')
content = bs0bj.find('div', {'id': 'mw-content-text'}).get_text()
my_n_grams = n_grams(content, 2)
my_n_grams = sorted(my_n_grams, key=lambda t: t[1], reverse=True)
print(my_n_grams)
print('2-grams count is : ' + str(len(my_n_grams)))

结果为

[(['Roger', 'Federer'], 283), (['in', 'the'], 215), (['Novak', 'Djokovic'], 122), (['Rafael', 'Nadal'], 121), (['of', 'the'], 116), (['World', 'Tour'], 110)…………
2-grams count is : 15874

所以我牛还是和这两个人有莫大的羁绊啊。。

• 点赞
• 收藏
• 分享
• 文章举报

zhuanghaoqi1 发布了1 篇原创文章 · 获赞 0 · 访问量 91 私信 关注