相关疑难解决方法(0)

如何(?:)使用以及它有什么用？

我试图理解Python中的线程.我看过文档和示例,但坦率地说,很多例子都过于复杂,我很难理解它们.

你如何清楚地展示为多线程划分的任务？

我对正则表达式有点新,并且正在编写需要使用正则表达式的数量字段的验证.

如何匹配大于或等于50的所有数字？

我试过了

[5-9][0-9]+

但这只匹配50-99.有没有一种简单的方法来匹配所有可能超过49的数字？(仅使用整数)

我有一个文本文件（没有标点符号），文件大小约为 100MB - 1GB，这是一些示例行：

please check in here
i have a full hd movie
see you again bye bye
press ctrl c to copy text to clipboard
i need your help
...

并带有替换令牌列表，如下所示：

check in -> check_in
full hd -> full_hd
bye bye -> bye_bye
ctrl c -> ctrl_c
...

替换文本文件后我想要的输出如下：

please check_in here
i have a full_hd movie
see you again bye_bye
press ctrl_c to copy text to clipboard
i need your help
...

我目前的做法

please check in here …

我正在尝试打开一个文本文件，然后通读它，将某些字符串替换为存储在词典中的字符串。

基于“ 如何在Python中编辑文本文件”的答案？我可以在进行替换之前取出字典值，但是循环遍历字典似乎更有效。

该代码不会产生任何错误，但是也不会进行任何替换。

import fileinput

text = "sample file.txt"
fields = {"pattern 1": "replacement text 1", "pattern 2": "replacement text 2"}

for line in fileinput.input(text, inplace=True):
    line = line.rstrip()
    for i in fields:
         for field in fields:
             field_value = fields[field]

             if field in line:
                  line = line.replace(field, field_value)


             print line

>>> li = ["a b self", "mpilgrim", "foo c", "b", "c", "b", "d", "d"]
>>> condition = ["b", "c", "d"]
>>> [elem for elem in li if elem in condition]
['b', 'c', 'b', 'd', 'd']

但是有没有办法返回

['a b self','foo c','b', 'c', 'b', 'd', 'd']

由于 b 和 c 包含在'a b self'and 中'foo c'，我希望代码也返回这两个。

我正在寻找解决这个问题的最佳算法:拥有一个小句子的列表(或一个字典,一组),在更大的文本中找到所有出现的句子.列表中的句子(或词典或集合)约为600k,但平均形成3个单词.该文本平均长度为25个字.我刚刚格式化了文本(删除标点符号,全部小写并继续这样).

这是我尝试过的(Python):

to_find_sentences = [
    'bla bla',
    'have a tea',
    'hy i m luca',
    'i love android',
    'i love ios',
    .....
]

text = 'i love android and i think i will have a tea with john'

def find_sentence(to_find_sentences, text):
    text = text.split()
    res = []
    w = len(text)
    for i in range(w):
        for j in range(i+1,w+1):
            tmp = ' '.join(descr[i:j])
            if tmp in to_find_sentences:
                res.add(tmp)
    return res


print find_sentence(to_find_sentence, text)

日期:

['i love android', 'have a tea']

在我的情况下,我使用了一套加速in …

从目标字符串中的列表中查找字符串出现次数的最佳方法是什么？具体来说,我有一个清单:

string_list = [
    "foo",
    "bar",
    "baz"
]

target_string = "foo bar baz bar"

# Trying to write this function!
count = occurrence_counter(target_string) # should return 4

我想优化以最小化速度和内存使用,如果这有所不同.在大小方面,我预计string_list最终可能包含数百个子串.

1. 我有一个包含 5000 万个搜索查询的字符串列表。[每个查询中 1-500 多个单词]。
2. 我还有一个包含 500 个单词和短语的字符串列表，我需要返回包含任何单词或短语 (2) 的搜索查询 (1) 的索引。

目标是只保留与某个主题（电影）相关的查询，然后使用 NLP 对这些过滤后的查询进行聚类（词干 -> tf_idf -> pca -> kmeans）。

我尝试使用嵌套循环过滤查询，但需要 10 多个小时才能完成。

filtered = []
with open('search_logs.txt', 'r', encoding='utf-8') as f:
    for i, line in enumerate(f):
        query, timestamp = line.strip().split('\t')
        for word in key_words:
            if word in query:
                filtered.append(i)

我研究了使用正则表达式 (word1|word2|...|wordN) 的解决方案，但问题是我无法将查询组合成一个大字符串，因为我需要过滤不相关的查询。

更新：日志和关键字的示例

search_logs.txt
'query  timestamp\n'
'the dark knight    2019-02-17 19:05:12\n'
'how to do a barrel roll    2019-02-17 19:05:13\n'
'watch movies   2019-02-17 19:05:13\n'
'porn   2019-02-17 19:05:13\n'
'news   2019-02-17 …

我期待看一个单词是否出现在使用正则表达式的句子中.单词用空格分隔,但两边可能都有标点符号.如果单词位于字符串的中间,则以下匹配有效(它可防止部分单词匹配,允许单词两侧的标点符号).

match_middle_words = " [^a-zA-Z\d ]{0,}" + word + "[^a-zA-Z\d ]{0,} "

然而,这不会匹配第一个或最后一个单词,因为没有尾随/前导空格.所以,对于这些情况,我也一直在使用:

match_starting_word = "^[^a-zA-Z\d]{0,}" + word + "[^a-zA-Z\d ]{0,} "
match_end_word = " [^a-zA-Z\d ]{0,}" + word + "[^a-zA-Z\d]{0,}$"

然后结合

 match_string = match_middle_words  + "|" + match_starting_word  +"|" + match_end_word 

有没有一种简单的方法可以避免需要三个匹配项.具体来说,是否有一种方法可以指定'以太空格或文件的开头(即"^")和类似的',是空格还是文件末尾(即"$")？

我有一个 ~350k 行的 pandas 系列，我想使用由 ~100 个子字符串组成的正则表达式来应用pandas.Series.str.extract函数，例如：

'(item0|item1|item2|item3|item4|item5|item6|item7|item8|item9|item10|item11|item12|item13|item14|item15|item16|item17|item18|item19|item20|item21|item22|item23|item24|item25|item26|item27|item28|item29|item30|item31|item32|item33|item34|item35|item36|item37|item38|item39|item40|item41|item42|item43|item44|item45|item46|item47|item48|item49|item50|item51|item52|item53|item54|item55|item56|item57|item58|item59|item60|item61|item62|item63|item64|item65|item66|item67|item68|item69|item70|item71|item72|item73|item74|item75|item76|item77|item78|item79|item80|item81|item82|item83|item84|item85|item86|item87|item88|item89|item90|item91|item92|item93|item94|item95|item96|item97|item98|item99|item100)'

提取速度太慢：在我的 jupyter notebook (Python 3.9) 中需要 1 分钟。为什么这么慢，如何加快速度？

编辑 1我以“itemX”为例，但它可以被任何子字符串替换。正则表达式可能类似于

'(carrageenan|dihydro|basketball|etc...)'

编辑 2对一些评论的回答：

• 我正在寻找完全匹配
• 我已经使用预编译正则表达式 re.compile()