用最近的索引组合单词

Question

我有一个文件的条款与他们的索引上下文中的两种语言，如这种格式

1. (2- human rights, 10- workers rights)>> (3- droits de l'homme, 7- droit des travailleurs)
2. (2- human rights, 10- workers rights, 19- women rights)>> (5- droits de l'homme, 15- les droits des femmes)

目标是将第一语言（英语）中的每个单词附加到另一语言（法语）中句子中最接近的单词上，因此输出将是

 human rights : droits de l'homme
 workers rights : droit des travailleurs
 human rights : droits de l'homme
 women rights  : les droits des femmes

这就是评论：人权>；人权法：由于n.2（英语句子中“人权”的位置）与n.3（法语句子中“人权法”的位置）接近，因此与法语列表中的其他数字（在本例中为n.7）相比；同样，“工人权利”也接近于“劳动法”

人权>；人权法：由于n.2（英语句子中“人权”的位置）接近n.5（法语句子中“人权法”的位置），与法语列表中的其他数字（本例中为n.15）相比；同样，“妇女权利”>；“女性权利”：因为n.19接近n.15（与n.10相比）

有人能找到同样的方法得到这个输出吗？你知道吗

Answer 1

尚未完成，但应该会让您开始：

from bisect import bisect
import re

with open("test.txt") as f:
    r = re.compile("(\d+)")
    for line in f:
        a, b = line.lstrip("0123456789. ").split(">> ")
        a_keys = [int(i.group()) for i in r.finditer(a)]
        b_keys =  [int(i.group()) for i in r.finditer(b)]
        a = a.strip("()\n").split(",")
        b = b.strip("()\n").split(",")
        for ele, s in zip(a, a_keys):
            ind = bisect(b_keys, s, hi=len(b) - 1)
            print("{} -> {}".format(ele, b[ind]))

输出：

2- human rights -> 3- droits de l'homme
 10- workers rights ->  7- droit des travailleurs
2- human rights -> 5- droits de l'homme
 10- workers rights ->  15- les droits des femmes
 19- women rights ->  15- les droits des femmes

你需要修正格式，再做一次检查，根据ind和ind-1的ele的绝对差来找到min。你知道吗

要捕捉上一个ind-1元素的绝对差值较小的位置：

from bisect import bisect
import re

with open("test.txt") as f:
    r = re.compile("(\d+)")
    for line in f:
        a, b = line.lstrip("0123456789. ").split(">> ")
        a_keys = [int(i.group()) for i in r.finditer(a)]
        b_keys = [int(i.group()) for i in r.finditer(b)]
        a = a.strip("()\n").split(",")
        b = b.strip("()\n").split(",")
        for ele, k in zip(a, a_keys):
            ind = bisect(b_keys, k, hi=len(b) - 1)
            ind -= k - b_keys[ind] < b_keys[ind-1] - k
            print("{} -> {}".format(ele, b[ind]))

因此：

1. (2- human rights, 10- workers rights)>> (3- droits de l'homme, 7- droit des travailleurs)
2. (2- human rights, 10- workers rights, 19- women rights)>> (1- droits de l'homme ,4- foobar, 15- les droits des femmes)

我们得到：

2- human rights -> 3- droits de l'homme
 10- workers rights ->  7- droit des travailleurs
2- human rights -> 1- droits de l'homme 
 10- workers rights ->  15- les droits des femmes
 19- women rights ->  15- les droits des femmes

原始代码将输出2- human rights -> 4- foobar，因为我们没有考虑前一个元素的绝对差在哪里更小。你知道吗

使用您的评论中的数据可以看出区别：

l1 = [10, 33, 50, 67]
l2 = [7, 16, 29, 55]

for s in l1:
    ind = bisect(l2, s, hi=len(l2) - 1)
    print("{} -> {}".format(s, l2[ind]))

输出：

10 -> 16
33 -> 55
50 -> 55
67 -> 55

现在检查前面的元素：

l1 = [10, 33, 50, 67]
l2 = [7, 16, 29, 55]

for s in l1:
    ind = bisect(l2, s, hi=len(l2) - 1)
    ind -= s - l2[ind-1] < l2[ind] - s
    print("{} -> {}".format(s, l2[ind]))

输出：

10 -> 7
33 -> 29
50 -> 55
67 -> 55

bisect.bisect

Similar to bisect_left(), but returns an insertion point which comes after (to the right of) any existing entries of x in a. The returned insertion point i partitions the array a into two halves so that all(val <= x for val in a[lo:i]) for the left side and all(val > x for val in a[i:hi]) for the right side.

所以对分得到元素应该在有序的数字列表中的哪个位置，所有元素都小于元素左边的位置，这意味着元素大于所有前面的元素。为了根据差值找到最接近的值，我们需要检查前面的元素，因为abs差值可能较小。你知道吗