用Python中的字典來處理索引統計的方法

最近折騰索引引擎以及資料統計方面的工作比較多, 與 Python 字典頻繁打交道, 至此整理一份此方面 API 的用法與坑法備案.

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; 這方面演算法並沒有太多花樣可言, 為了增加效率, 索引資料盡可往記憶體裡面搬, 此法可效王獻之習書法之勢, 只要把十八台機器記憶體全部塞滿, 那麼基本也就功成名就了. 而基本思路舉個簡單例子, 現在有以下文檔 (分詞已經完成) 以及其包含的關鍵詞

  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

不過這裡有個小技巧, 就是對於判斷當前詞是否已經在索引字典裡的分支

if word not in indices:   indices[word] = []

可以被 dict 的 setdefault(key, default=None) 介面替換. 此介面的作用是, 如果 key 在字典裡, 那麼好說, 拿出對應的值來; 否則, 建立此 key , 且設定預設對應值為 default . 但從設計上來說, 我不明白為何 default 有個預設值 None , 看起來並無多大意義, 如果確要使用此介面, 大體都會內建預設值吧, 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 用起來並不順手: 當 default 值構造很複雜時, 或產生 default 值有副作用時, 以及一個之後會說到的情況; 前兩種情況一言以蔽之, 就是 setdefault 不適用於 default 需要惰性求值的情境. 換言之, 為了兼顧這種需求, setdefault 可能會設計成

def setdefault(self, key, default_factory):   if key not in self:     self[key] = default_factory()   return self[key]

倘若真如此, 那麼上面的代碼應改成

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, 這個最後會提到.

如果說上面只是一個能預見但實際上可能根本不會遇到的 API 缺陷, 那麼下面這個就略打臉了.
考慮現在要進行詞頻統計, 即一個詞在文章中出現了多少次, 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'])

當你興緻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 --- 因為出現在 += 操作符左邊的 count.setdefault(word, 0) 在 Python 中不是一個左值. 怎樣, 現在開始念叨 C艸 類型體系的好了吧.

因為 Python 把預設的字面常量 {} 等價於 dict() 就認為 dict 是銀彈的思想是要不得的; Python 裡面各種資料結構不少, 解決統計問題, 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 裡還有個 Counter , 可以粗略認為它是 defaultdict(int) 的擴充.

