Python 21行輕鬆搞定拼寫檢查器

import re, collections
def words(text):
return re.findall('[a-z]+', text.lower()) 
def train(features):
model = collections.defaultdict(lambda: 1)
for f in features:
model[f] += 1
return model
nwords = train(words(file('big.txt').read()))
alphabet = 'abcdefghijklmnopqrstuvwxyz'
def edits1(word):
splits = [(word[:i], word[i:]) for i in range(len(word) + 1)]
deletes = [a + b[1:] for a, b in splits if b]
transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1]
replaces   = [a + c + b[1:] for a, b in splits for c in alphabet if b]
inserts    = [a + c + b     for a, b in splits for c in alphabet]
return set(deletes + transposes + replaces + inserts)
def known_edits2(word):
return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in nwords)
def known(words): 
return set(w for w in words if w in nwords)
def correct(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max(candidates, key=nwords.get)

correct

函式是程式的入口，傳進去錯誤拼寫的單詞會返回正確。如：

>>> correct("cpoy")
'copy'
>>> correct("engilsh")
'english'
>>> correct("sruprise")
'surprise'

除了這段**外，作為機器學習的一部分，肯定還應該有大量的樣本資料，準備了big.txt作為我們的樣本資料。

背後原理

首先簡單介紹一下背後的原理，如果讀者之前了解過了，可以跳過這段。

給乙個詞，我們試圖選取乙個最可能的正確的的拼寫建議（建議也可能就是輸入的單詞）。有時也不清楚（比如lates應該被更正為late或者latest？），我們用概率決定把哪乙個作為建議。我們從跟原始詞w相關的所有可能的正確拼寫中找到可能性最大的那個拼寫建議c：

argmaxc  p(c|w)

通過貝葉斯定理，上式可以轉化為

argmaxc p(w|c) p(c) / p(w)

代表在輸入單詞w 的情況下，你本來想輸入單詞c的概率。

p(w|c)

代表使用者想輸入單詞c卻輸入w的概率，這個可以我們認為給定的。

p(c)

代表在樣本資料中單詞c出現的概率

p(w)

代表在樣本數字中單詞w出現的概率

可以確定

p(w)

對於所有可能的單詞c概率都是一樣的，所以上式可以轉換為

argmaxc p(w|c) p(c)

words()

函式提取

big.txt

中的單詞

def words(text): 
return re.findall('[a-z]+', text.lower())

是利用python正規表示式模組，提取所有的符合

』[a-z]+』

條件的，也就是由字母組成的單詞。（這裡不詳細介紹正規表示式了，有興趣的同學可以看正規表示式簡介）。

是將文字轉化為小寫字母，也就是「the」和「the」一樣定義為同乙個單詞。

train()

函式計算每個單詞出現的次數然後訓練出乙個合適的模型

def train(features):
model = collections.defaultdict(lambda: 1)
for f in features:
model[f] += 1
return model
nwords = train(words(file('big.txt').read()))

nwords[w]

代表了單詞w在樣本**現的次數。如果有乙個單詞並沒有出現在我們的樣本中該怎麼辦？處理方法是將他們的次數預設設為1，這裡通過

collections

模組和lambda

表示式實現。

建立了乙個預設的字典，

lambda：1

將這個字典中的每個值都預設設為1。（lambda表示式可以看lambda簡介）

argmaxc p(w|c) p(c)

中的p(c)

，接下來處理

p(w|c)

即想輸入單詞c卻錯誤地輸入單詞w的概率，通過「edit distance「－－將乙個單詞變為另乙個單詞所需要的編輯次數來衡量，一次edit可能是一次刪除，乙個交換（兩個相鄰的字母），一次插入，一次修改。下面的函式返回乙個將c進行一次編輯所有可能得到的單詞w的集合：

def edits1(word):
splits = [(word[:i], word[i:]) for i in range(len(word) + 1)]
deletes = [a + b[1:] for a, b in splits if b]
transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1]
replaces   = [a + c + b[1:] for a, b in splits for c in alphabet if b]
inserts = [a + c + b     for a, b in splits for c in alphabet]
return set(deletes + transposes + replaces + inserts)
def known_edits2(word):

return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in nwords)
def known(words):

return set(w for w in words if w in nwords)

我們假設編輯距離1次的概率遠大於2次的，0次的遠大於1次的。下面通過

correct

函式先選擇編輯距離最小的單詞，其對應的

p(w|c)

就會越大，作為候菜單詞，再選擇p(c)最大的那個單詞作為拼寫建議

def correct(word):
candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
return max(candidates, key=nwords.get)

原文發布時間為：2018-09-12

python專欄

」，了解相關資訊可以關注「

python專欄」。

Python 21行輕鬆搞定拼寫檢查器

Python 21點小遊戲

輕鬆搞定python系列

重新學習python21

Python 21行輕鬆搞定拼寫檢查器

Python 21點小遊戲

輕鬆搞定python系列

重新學習python21

相關推薦