Python 2.7中的Unicode字符的二进制搜索（二分法）

Question

我有一个排序列表J ，它包含2048个日语Unicode单词 ，理想情况下，我想使用二进制搜索为该索引建立索引，如本SO问题（“ Python中的二进制搜索（二分）”）所述 binary_search函数使用bisect_left bisect模块，而不是使用list.index函数索引列表。

import bisect
def binary_search(a, x, lo=0, hi=None): # can't use a to specify default for hi
    hi = hi if hi is not None else len(a)   # hi defaults to len(a)
    pos = bisect.bisect_left(a, x, lo, hi)  # find insertion point
    return (pos if pos != hi and a[pos] == x else -1) 

现在，让我们指数每个单词words ：

words = "そつう　れきだい　ほんやく　わかす　りくつ　ばいか　ろせん　やちん　そつう　れきだい　ほんやく　わかめ"

让我们分割成一个列表：

>>> words.split()
[u'\u305d\u3064\u3046', u'\u308c\u304d\u305f\u3099\u3044', u'\u307b\u3093\u3084\u304f', u'\u308f\u304b\u3059', u'\u308a\u304f\u3064', u'\u306f\u3099\u3044\u304b', u'\u308d\u305b\u3093', u'\u3084\u3061\u3093', u'\u305d\u3064\u3046', u'\u308c\u304d\u305f\u3099\u3044', u'\u307b\u3093\u3084\u304f', u'\u308f\u304b\u3081']`)

比较binary_search与list.index ：

>>> [ binary_search(J, x) for x in words.split()]
[-1, 2015, 1790, 2039, 1983, -1, 2031, 1919, -1, 2015, 1790, 2040]
>>> [ J.index(x) for x in words.split()]
[1019, 2015, 1790, 2039, 1983, 1533, 2031, 1919, 1019, 2015, 1790, 2040]

因此对于u'\そ\つ\う' （ そつう ），而不是索引1019， binary_search返回的索引是-1（失败），因为pos值为1027 ， u'\そ\と\か\゙\わ' 。 这两个词（索引1019和1027）都以u'\そ'开头，因此这似乎是问题所在。

如何调整binary_search以查找（日语）Unicode字符的索引？

Answer 1

看来您的J清单有误； 它没有正确排序。

当我使用requests库加载您的测试数据文件并对信息进行排序时，它可以正常工作：

 >>> # your bisect function defined
 ...
 >>> import requests
 >>> words = u"そつう　れきだい　ほんやく　わかす　りくつ　ばいか　ろせん　やちん　そつう　れきだい　ほんやく　わかめ"
 >>> url = 'https://raw.githubusercontent.com/trezor/python-mnemonic/master/mnemonic/wordlist/japanese.txt'
 >>> J = sorted(requests.get(url).text.splitlines())
 >>> [ J.index(x) for x in words.split()]
[1024, 2015, 1787, 2039, 1983, 1601, 2031, 1919, 1024, 2015, 1787, 2040]
>>> [ binary_search(J, x) for x in words.split()]
[1024, 2015, 1787, 2039, 1983, 1601, 2031, 1919, 1024, 2015, 1787, 2040]

请注意，索引与您的测试结果并不完全匹配。 如果索引相差超过3，则二等分无法找到结果。