在另一个字符串中计算多个字符串出现的次数

Question

在Python 2.7中，给定以下字符串：

Spot is a brown dog. Spot has brown hair. The hair of Spot is brown.

最好的方法是找到字符串中“Spot”、“brown”和“hair”的总数。在这个例子中，它将返回8。

我想要像string.count("Spot","brown","hair")这样的东西，但是可以使用元组或列表中的“要查找的字符串”。

谢谢！

- DharmaTurtle

---

你想在单词"hairy"中计算出现次数为"hair"的次数吗？nltk的答案不会计算它，而count()和正则表达式的答案会。 - Eric O. Lebigot

通过添加单词边界（\b），使用 regex 轻松排除该问题。 - mgilson

确实如此，但这会改变你的答案。 :) - Eric O. Lebigot

目前，我的“要查找的字符串”已经足够复杂，不会像那样出现多个匹配项，但我感谢所有正则表达式信息和提示，以防我将来不得不回来。这也有助于未来的谷歌搜索者:D - DharmaTurtle

Answer 1

这做了你要求的事情，但请注意它还会计算像“毛茸茸的”，“更棕色的”等单词。

>>> s = "Spot is a brown dog. Spot has brown hair. The hair of Spot is brown."
>>> sum(s.count(x) for x in ("Spot", "brown", "hair"))
8

你也可以将它写成一个map。

>>> sum(map(s.count, ("Spot", "brown", "hair")))
8

更健壮的解决方案可能会使用nltk包

>>> import nltk  # Natural Language Toolkit
>>> from collections import Counter
>>> sum(x in {"Spot", "brown", "hair"} for x in nltk.wordpunct_tokenize(s))
8

- John La Rooy

---

我不打算对nltk发表任何意见，因为我不了解那个包 - 如果可以的话，我会再次+1支持它。 - mgilson

+1 对于nltk选项，它不会将“hairy”中的“hair”计入统计——如果这是原帖作者想要的。 - Eric O. Lebigot

nltk选项的速度渐近地比count()更快，因为它只读取一次输入字符串，并且由于成员资格测试在常数时间内完成。 - Eric O. Lebigot

如何获取每个短语（例如“绿色斑点”，“长棕色尾巴”，“红色头发”等）的唯一计数，并在表格中显示结果？ - Leo Jones

Answer 2

我可能会使用一个计数器：

s = 'Spot is a brown dog. Spot has brown hair. The hair of Spot is brown.'
words_we_want = ("Spot","brown","hair")
from collections import Counter
data = Counter(s.split())
print (sum(data[word] for word in words_we_want))

请注意，这将少计算1个，因为"brown."和"brown"是不同的计数器条目。

一个稍微不那么优雅的解决方案，不会在标点符号上出错，使用正则表达式：

>>> len(re.findall('Spot|brown|hair','Spot is a brown dog. Spot has brown hair. The hair of Spot is brown.'))
8

您可以通过简单地将元组中的内容创建为正则表达式来实现。

'|'.join(re.escape(x) for x in words_we_want)

这些解决方案的好处在于它们与gnibbler的解决方案相比具有更好的算法复杂度。当然，哪个解决方案在实际数据上表现更好仍需要由OP测量（因为OP是唯一拥有实际数据的人）。

- mgilson

---

我想，使用正则表达式，您可以通过 re.finditer 和老套路的 sum(1 for _ in ...) 习语来懒惰地评估它。 - mgilson

+1 对于 finditer() 和正则表达式总体来说是非常好的选择：它们在处理更大的字符串和可能的单词数量时速度很快。 - Eric O. Lebigot