Python列表规范化

Question

我正在开发一个持续学习的网络爬虫，以查找与世界各地发生的特定危机和悲剧事件相关的新闻文章。我目前正在努力使数据模型尽可能精简和高效，因为随着爬网的继续，数据模型会不断增长

我将数据模型存储在一个列表中（用于与正在爬网的页面进行TFIDF比较）并且我希望减少列表的大小，但不丢失列表中每个项目的相对计数

这是来自2个已爬网网页的示例模型：

[[u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'crime', u'terror', u'crime', u'inform', u'servic', u'inform', u'laboratori', u'servic', u'want', u'want', u'want', u'terror', u'crime', u'want', u'news', u'news', u'press', u'news', u'servic', u'crime', u'inform', u'servic', u'laboratori', u'servic', u'servic', u'crime', u'crime', u'crime', u'terror', u'boston', u'press', u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'boston', u'special', u'agent', u'remark', u'richard', u'deslauri', u'boston', u'investig', u'time', u'time', u'investig', u'boston', u'terror', u'law', u'enforc', u'boston', u'polic', u'polic', u'alreadi', u'alreadi', u'law', u'enforc', u'around', u'evid', u'boston', u'polic', u'evid', u'laboratori', u'evid', u'laboratori', u'may', u'alreadi', u'laboratori', u'investig', u'boston', u'polic', u'law', u'enforc', u'investig', u'around', u'alreadi', u'around', u'investig', u'law', u'enforc', u'evid', u'may', u'time', u'may', u'may', u'investig', u'may', u'around', u'time', u'investig', u'investig', u'boston', u'boston', u'news', u'press', u'boston', u'want', u'boston', u'want', u'news', u'servic', u'inform'], [u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'crime', u'crime', u'inform', u'servic', u'inform', u'servic', u'nation', u'want', u'ten', u'want', u'want', u'crime', u'want', u'news', u'news', u'press', u'releas', u'news', u'stori', u'servic', u'crime', u'inform', u'servic', u'servic', u'servic', u'crime', u'crime', u'crime', u'news', u'press', u'press', u'releas', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'2013', u'nation', u'press', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'2011', u'foreign', u'govern', u'inform', u'tamerlan', u'tsarnaev', u'inform', u'2011', u'govern', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'foreign', u'govern', u'2011', u'inform', u'foreign', u'govern', u'nation', u'press', u'releas', u'crime', u'releas', u'ten', u'news', u'stori', u'2013', u'ten', u'news', u'stori', u'2013', u'ten', u'news', u'stori', u'2013', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'nation', u'press', u'releas', u'want', u'news', u'servic', u'inform', u'govern']]

我希望维护单词列表，而不是将计数嵌入列表本身。我希望列表从以下位置开始：

[波士顿，波士顿，波士顿，爆炸，爆炸，查尔纳耶夫，查尔纳耶夫，时间]到[波士顿，波士顿，爆炸，查尔纳耶夫]

基本上，如果我有一个列表[a，a，a，b，b，c]，我会把它减少到[a，a，b]

编辑：很抱歉不清楚，但我会再试一次。 我不想要一套。出现次数非常重要，因为它是一个加权列表，所以“Boston”应该比“time”或其他类似术语出现的次数更多。我试图做到的是最小化数据模型，同时从模型中删除不重要的项。所以在上面的例子中，我故意省略了C，因为它给模型增加了很多“脂肪”。我想保持相关性，因为A比B多出现1次，比C多出现2次，但由于C在原始模型中只出现一次，所以它将从精益模型中删除

Answer 1

如果将示例模型分配给变量topics，则可以使用collections.Counter来维护所有主题及其计数的类似字典的对象：

from collections import Counter
topic_count = [Counter(topic) for topic in topics]
# [Counter({u'boston': 11, u'investig': 11, u'crime': 7, u'servic': 7, u'want': 6, u'press': 6, u'laboratori': 5, u'may': 5, u'news': 5, u'agent': 4, u'alreadi': 4, u'deslauri': 4, u'special': 4, u'richard': 4, u'polic': 4, u'terror': 4, u'around': 4, u'evid': 4, u'law': 4, u'remark': 4, u'inform': 4, u'enforc': 4, u'time': 4}),
#  Counter({u'tsarnaev': 13, u'inform': 12, u'govern': 9, u'tamerlan': 9, u'foreign': 8, u'news': 8, u'crime': 8, u'2011': 7, u'servic': 7, u'press': 6, u'releas': 5, u'want': 5, u'ten': 4, u'request': 4, u'stori': 4, u'nation': 4, u'2013': 4, u'dzhokhar': 4})]

Answer 2

from collections import defaultdict
d = defaultdict(int)
for w in words[0]:
    d[w] += 1
mmin = min(d[p] for p in d)

然后你可以从每个单词中减去这个mmin，并创建一个新的列表。但也许这条格言足够紧凑。为了保持顺序，你可以使用dict中的信息，设计一些智能的方法来过滤你的初始单词列表

例如，对于单词列表[a,a,a,b,b,c]，字典将包含{a:3, b:2, c:1}和mmin=1。您可以使用此信息通过从所有项中减去1来获得{a:2, b:1}，并且因为c是0，所以它被删除

完整代码：

from collections import defaultdict
d = defaultdict(int)
words = ['a','a','a','b','b','c']
for w in words:
    d[w] += 1
mmin = min(d[p] for p in d)
slim=[]
for w in words:
    if d[w] > mmin:
        slim.append(w)
        d[w] -= 1
print slim

Answer 3

冒着过于简单化的风险，似乎leanmodel = model[::2]通常会做您想要的事情（在本例中，它正好做您想要的事情）

编辑：现在知道排序不重要了，我补充说：您应该首先对模型进行排序。这很容易在Python3或Python2.7中进行封装--leanmodel = sorted(model)[::2]，而在Python2的早期版本中就不那么简单了

一般来说，这是一个1d最近邻采样问题（这就是为什么leanmodel = model[::2]可能足够精确。）