从任意字母中查找最大长度单词

Question

我有 10 个任意字母，需要检查单词文件中的最大长度匹配

1. 我前段时间开始学习 RE，似乎找不到合适的模式

   • 第一个想法是使用 set: [10 chars] 但它也会重复包含的字符，我不知道如何避免这种情况
2. ，但在 RE 之前，也许不需要 RE，这可以在没有 RE 的情况下解决
   • 使用“for this in that:”迭代器似乎不合适，但也许 itertools 可以轻松做到这一点（我对此不熟悉）

我想即使是新手程序员/脚本编写者也知道解决方案，但我却不知道 谢谢

Answer 1

我猜这就像在给定一组拼字游戏图块的情况下查找可能的单词，这样一个字符只能重复它在原始列表中重复的次数。

诀窍是根据包含源字母的集合有效地测试单词文件中每个单词的每个字符。对于每个字符，如果在测试集中找到，则将其从测试集中删除并继续；否则，该单词不匹配，并继续下一个单词。

Python 有一个很好的函数 all，用于根据序列中的元素测试一组条件。 all 还有一个附加功能，它会“短路”，即一旦有一项不满足条件，则不再进行测试。因此，如果候选单词的第一个字母是“z”，并且源字母中没有“z”，则没有必要在候选单词中测试更多字母。

我写这篇文章的第一次尝试很简单：

matches = []
for word in wordlist:
    testset = set(letters)
    if all(c in testset for c in word):
        matches.append(word)

不幸的是，这里的错误是，如果源字母包含单个“m”，则具有多个“m”的单词将错误匹配，因为每个“m”将单独匹配给定的“m”在源测试集中。所以我需要删除每个匹配的字母。

我利用了 set.remove(item) 返回 None（Python 将其视为布尔 False）这一事实，并扩展了用于调用 all 的生成器表达式。对于word中的每个c，如果在测试集中找到它，我想另外将其从测试集中删除，类似于（伪代码，无效的Python）：

all(c in testset and "remove c from testset" for c in word)

由于set.remove返回None，我可以将上面引用的位替换为“not testset.remove(c)”，现在我有了一个有效的 Python 表达式：

all(c in testset and not testset.remove(c) for c in word)

现在我们只需将其包装在一个循环中，检查列表中的每个单词（确保在检查每个单词之前构建一个新的测试集，因为我们的 all 测试现在已成为破坏性测试）：

for word in wordlist:
    testset = set(letters)
    if all(c in testset and not testset.remove(c) for c in word):
        matches.append(word)

最后一步是按长度降序对匹配项进行排序。我们可以传递一个关键函数来排序。内置的 len 会很好，但是会按长度升序排序。要将其更改为降序排序，我们使用 lambda 给我们的不是 len，而是 -1 * len：

matches.sort(key=lambda wd: -len(wd))

现在您可以在匹配时打印出最长的单词[0]，或迭代所有匹配项并将其打印出来。

（令我惊讶的是，这种强力方法运行得如此之好。我使用了 2of12inf.txt 单词列表，其中包含超过 80,000 个单词，对于 10 个字符的列表，我在我的小 1.99 上大约 0.8 秒内返回了匹配列表GHz 笔记本电脑。）

Answer 2

我认为这段代码将满足您的需求：

>>> words = open('file.txt')
>>> max(len(word) for word in set(words.split()))

如果您需要更复杂的标记，例如，如果您不使用拉丁文本，则应该使用 NLTK：

>>> import nltk
>>> words = open('file.txt')
>>> max(len(word) for word in set(nltk.word_tokenize(words)))

Answer 3

我假设您正在尝试找出由 10 个任意字母组成的最长单词是什么。

您可以将 10 个任意字母及其出现频率保存在字典中。

例如，您的 4（为简单起见，使用 4 而不是 10）任意字母是：e、w、l、l。这在字典中将是：
{'e':1, 'w':1, 'l':2}

然后，对于文本文件中的每个单词，查看是否可以在任意字母的字典中找到该单词的所有字母。如果是这样，那么这就是您的候选词之一。

所以：
我们
墙
好吧，

well 中的所有字母都可以在您的任意字母词典中找到，因此请保存它及其长度，以便与其他单词进行比较。