如何统计包含特定单词的文档数量？

Question

假设我有一个字典，内容大概是这样的：

docDict = {"alpha": ["a", "b", "c", "a", "b"], "bravo": ["b", "c", "d", "c", "d"]}

我想做的事情是计算“文档频率”：假设每个字典里的项都是一个文档，我有一个特定的词，那么有多少个文档包含这个词呢？

我看到很多帖子在告诉我怎么计算频率，但这里有个特别的地方，如果字母"a"在文档"alpha"中出现了两次，我只需要计数为1。所以字母"a"的“频率”应该是1，而"c"的频率应该是2。

我知道我可以遍历整个文档字典，找到词的时候就加计数。或者我可以先把每个文档里的词变成唯一的，然后把所有文档合并再统计这个词。

但我觉得还有更好的方法，更有效的方法。有没有什么想法呢？

顺便问一下，有没有办法保持字典的结构？在这个例子中，我想得到的结果是{"alpha": {'c': 2, 'b': 2, 'a': 1}, "bravo": {'c': 2, 'b': 2, 'd': 1}

更新

如果我这里只有一个列表（类似于[["a", "b", "c", "a", "b"], ["b", "c", "d", "c", "d"]]），我该如何得到像[[1, 2, 2, 0], [0, 2, 2, 1]]这样的结果列表呢？

我完全没有头绪。关键是要展开每个列表，并确保词的顺序。有什么想法吗？

Answer 1

你可以使用集合（set）来统一一个文档中的所有字符。然后只需用 Counter() 来统计它们的出现次数。

from collections import Counter

docDict = {"alpha": ["a", "b", "c", "a", "b"], "bravo": ["b", "c", "d", "c", "d"]}

result = reduce(lambda x, y: x + Counter(set(y)), docDict.itervalues(), Counter([]))

Answer 2

docDict = {"alpha": ["a", "b", "c", "a", "b"], "bravo": ["b", "c", "d", "c", "d"]}
revDict = {v : sum(1 for l in docDict.values() if v in l)  
        for v in set(x for y in docDict.values() for x in y) }
print revDict

结果是：

{'a': 1, 'c': 2, 'b': 2, 'd': 1}

Answer 3

这不是特别的方式，挺普通的。

from collections import defaultdict

docDict = {"alpha": ["a", "b", "c", "a", "b"], "bravo": ["b", "c", "d", "c", "d"]}
result = defaultdict(set)

for k, vlist in docDict.items():
    for v in vlist:
        result[v].add(k)

#Now the result looks like this.
#{'a': set(['alpha']), 'c': set(['alpha', 'bravo']), 'b': set(['alpha', 'bravo']), 'd': set(['bravo'])})

print dict(zip(result.keys(), map(lambda x:len(x), result.values())))
#{'a': 1, 'c': 2, 'b': 2, 'd': 1}

更新

还有一种方法……就是简单地计数。并且改用了迭代器，所以比上面的代码更快。

from collections import defaultdict
def func3(docDict):
    result = defaultdict(int)
    for vlist in docDict.itervalues():
        for i in set(vlist):
            result[i] += 1
    return dict(result)

Answer 4

我建议你使用第二种方法，也就是用collections.Counter和set。

>>> from collections import Counter
>>> sum((Counter(set(x)) for x in docDict.itervalues()), Counter())
Counter({'c': 2, 'b': 2, 'a': 1, 'd': 1})

更新 1:

>>> c = sum((Counter(set(x)) for x in docDict.itervalues()), Counter())
>>> {k: {k1:c[k1] for k1 in set(v)} for k, v in docDict.iteritems()}
{'alpha': {'a': 1, 'c': 2, 'b': 2}, 'bravo': {'c': 2, 'b': 2, 'd': 1}}

更新 2:

如果你担心性能问题，那就不要把Counter和sum一起用，这里有另一种做法。需要注意的是，我和@user2931409的回答不同，我并没有把单词存储在内存中只是为了获取它们的长度，所以这种方法在内存使用上更高效，但比他们的答案稍微慢一点。

result = Counter()
for v in docDict.itervalues():
    result.update(set(v))
return result

时间比较：

def func1():
    #http://stackoverflow.com/a/22787509/846892
    result = defaultdict(set)
    for k, vlist in docDict.items():
        for v in vlist:
            result[v].add(k)
    return dict(zip(result.keys(), map(lambda x:len(x), result.values())))

def func2():

    result = Counter()
    for v in docDict.itervalues():
        result.update(set(v))
    return result

In [94]: docDict = {''.join(random.choice(lis) for _ in xrange(8)): random.sample(lis, 25)
    ...:   for _ in xrange(70000)}

In [95]: %timeit func1(docDict)
1 loops, best of 3: 380 ms per loop

In [96]: %timeit func2(docDict)
1 loops, best of 3: 591 ms per loop

In [97]: docDict = {''.join(random.choice(lis) for _ in xrange(8)): random.sample(lis, 25)
    ...:   for _ in xrange(10**5)}

In [98]: %timeit func1(docDict)
1 loops, best of 3: 529 ms per loop

In [99]: %timeit func2(docDict)
1 loops, best of 3: 848 ms per loop

In [101]: func1(docDict) == func2(docDict)
Out[101]: True