zip(*) 是如何生成 n-gram 的？

Question

我正在回顾一些关于 n 元语法的笔记，并且遇到了一些有趣的函数。首先是生成二元组：

def bigrams(word):
    return sorted(list(set(''.join(bigram)
                           for bigram in zip(word,word[1:]))))

def bigram_print(word):
    print("The bigrams of", word, "are:")
    print(bigrams(word))

bigram_print("ababa")
bigram_print("babab")

在自己阅读并使用 Python 后，我明白了为什么这是有效的。然而，当我看到这个函数时，我对这里的使用感到非常困惑zip(*word[i:])。我知道这*是一个解包运算符（如此处所解释的），但我真的被它如何与列表理解结合使用而绊倒了。谁能解释一下吗？

def ngrams(word, n):
    return sorted(list(set(''.join(ngram)
                           for ngram in zip(*[word[i:]
                                              for i in range(n)]))))

def ngram_print(word, n):
    print("The {}-grams of {} are:".format(n, word))
    print(ngrams(word, n))

for n in [2, 3, 4]:
    ngram_print("ababa", n)
    ngram_print("babab", n)
    print()

Answer 1

下面的例子应该解释它是如何工作的。我添加了代码和它的视觉表示。

直觉

核心思想是将同一列表的多个版本压缩在一起，其中每个版本都从下一个后续元素开始。

可以说L是单词/元素列表['A', 'B', 'C', 'D']

然后，这里发生的事情是L, L[1:], L[2:]被压缩，这意味着每个元素的第一个元素（L 的第一个、第二个和第三个元素）被组合在一起，第二个元素被组合在一起，依此类推。

从视觉上看，这可以表示为：

我们担心的说法是——

  zip (   *    [L[i:] for i in range(n)])
#|___||_______||________________________|     
#  |      |                  |
# zip  unpack    versions of L with subsequent 0 to n elements skipped

代码示例

l = ['A','B','C','D']

print('original list: '.ljust(27),l)
print('list skipping 1st element: ',l[1:])
print('list skipping 2 elements: '.ljust(27),l[2:])
print('bi-gram: '.ljust(27), list(zip(l,l[1:])))
print('tri-gram: '.ljust(27), list(zip(l,l[1:],l[2:])))

original list:              ['A', 'B', 'C', 'D']
list skipping 1st element:  ['B', 'C', 'D']
list skipping 2 elements:   ['C', 'D']
bi-gram:                    [('A', 'B'), ('B', 'C'), ('C', 'D')]
tri-gram:                   [('A', 'B', 'C'), ('B', 'C', 'D')]

正如您所看到的，您基本上压缩了同一个列表，但跳过了一个列表。这将 (A, B) 和 (B, C) ... 压缩在一起形成二元组。

操作员*负责拆箱。当您更改 i 值以跳过元素时，您基本上是在压缩[l[0:], l[1:], l[2:]...]. 它被传递到zip()并在其中解压*。

zip(*[word[i:] for i in range(n)] #where word is the list of words

替代列表理解

上面的列表理解相当于 -

n = 3
lists = []
for i in range(3):
    print(l[i:])        #comment this if not needed
    lists.append(l[i:])
    
out = list(zip(*lists))
print(out)

['A', 'B', 'C', 'D']
['B', 'C', 'D']
['C', 'D']

[('A', 'B', 'C'), ('B', 'C', 'D')]

Answer 2

如果你崩溃了

zip(*[word[i:] for i in range(n)])

你得到：

[word[i:] for i in range(n)]

这相当于：

[word[0:], word[1:], word[2:], ... word[n-1:]]

从不同位置开始的每个字符串是word

*现在，如果您对其应用解包运算符：

*[word[0:], word[1:], word[2:], ... word[n-1:]]

您将每个列表word[0:]等word[1:]传递给zip()

所以，zip被这样调用：

zip(word[0:], word[1:], word[2:], ... word[n-1:])

根据zip工作原理，它将创建 n 元组，每个条目都来自相应的参数之一：

[(words[0:][0], words[1:][0]....),
(words[0:][1], words[1:][1]....)
...

如果您映射索引，您将看到这些值对应于 n 元语法定义word