如何在python中编写字母bigram（aa，ab，bc，cd…zz）频率分析计数器？

Question

这是我当前的代码，它打印出输入文件中每个字符的频率。

from collections import defaultdict

counters = defaultdict(int)
with open("input.txt") as content_file:
   content = content_file.read()
   for char in content:
       counters[char] += 1

for letter in counters.keys():
    print letter, (round(counters[letter]*100.00/1234,3)) 

我希望它只打印字母（aa，ab，ac ..zy，zz）的双字母组的频率，而不要打印标点符号。 这个怎么做？

Answer 1

您可以围绕当前代码进行构建以处理对。 通过添加另一个变量来跟踪2个字符而不是仅仅1个字符，并使用检查来消除非字母。

from collections import defaultdict

counters = defaultdict(int)
paired_counters = defaultdict(int)
with open("input.txt") as content_file:
   content = content_file.read()
   prev = '' #keeps track of last seen character
   for char in content:
       counters[char] += 1
       if prev and (prev+char).isalpha(): #checks for alphabets.
           paired_counters[prev+char] += 1
       prev = char #assign current char to prev variable for next iteration

for letter in counters.keys(): #you can iterate through both keys and value pairs from a dictionary instead using .items in python 3 or .iteritems in python 2.
    print letter, (round(counters[letter]*100.00/1234,3)) 

for pairs,values in paired_counters.iteritems(): #Use .items in python 3. Im guessing this is python2.
    print pairs, values

（免责声明：我的系统上没有python2。如果代码中存在问题，请通知我。）

Answer 2

有一种更有效的方法来统计二部图：使用Counter 。 首先阅读文本（假设文本不太大）：

from collections import Counter
with open("input.txt") as content_file:
   content = content_file.read()

过滤掉非字母：

letters = list(filter(str.isalpha, content))

您可能也应该将所有字母都转换为小写字母，但这取决于您：

letters = letters.lower()    

用剩余的字母建立一个zip文件，将其移动一个位置，然后计算两图：

cntr = Counter(zip(letters, letters[1:]))

规范字典：

total = len(cntr)
{''.join(k): v / total for k,v in cntr.most_common()}
#{'ow': 0.1111111111111111, 'He': 0.05555555555555555...}

通过更改计数器，可以轻松地将解决方案推广到三边形等。

cntr = Counter(zip(letters, letters[1:], letters[2:]))

Answer 3

如果您使用的是nltk ：

from nltk import ngrams
list(ngrams('hello', n=2))

[OUT]：

[('h', 'e'), ('e', 'l'), ('l', 'l'), ('l', 'o')]

进行计数：

from collections import Counter
Counter(list(ngrams('hello', n=2)))

如果您想要python本机解决方案，请查看：

• 有没有更有效的方法来查找最常见的n-gram？
• 在python中快速/优化N-gram实现
• 使用python有效提取1-5克