zip(*) 是如何生成 n-gram 的？

Question

我正在复习一些关于 n-gram 的笔记，我遇到了几个有趣的函数。首先是这个生成双字母组：

def bigrams(word):
    return sorted(list(set(''.join(bigram)
                           for bigram in zip(word,word[1:]))))

def bigram_print(word):
    print("The bigrams of", word, "are:")
    print(bigrams(word))

bigram_print("ababa")
bigram_print("babab")

阅读并自己玩 Python 后，我明白了为什么会这样。但是，在看这个函数的时候，对这里zip(*word[i:])的使用感到很不解。我知道 * 是一个解包运算符（如 here 所解释的），但我真的被它如何结合此处的列表理解所困扰。谁能解释一下？

def ngrams(word, n):
    return sorted(list(set(''.join(ngram)
                           for ngram in zip(*[word[i:]
                                              for i in range(n)]))))

def ngram_print(word, n):
    print("The {}-grams of {} are:".format(n, word))
    print(ngrams(word, n))

for n in [2, 3, 4]:
    ngram_print("ababa", n)
    ngram_print("babab", n)
    print()

Answer 1

如果你崩溃了

zip(*[word[i:] for i in range(n)])

你得到：

[word[i:] for i in range(n)]

相当于：

[word[0:], word[1:], word[2:], ... word[n-1:]]

从word

中不同位置开始的个个字符串是什么

现在，如果您对其应用解包 * 运算符：

*[word[0:], word[1:], word[2:], ... word[n-1:]]

您将每个列表 word[0:]、word[1:] 等传递给 zip()

所以，zip 是这样调用的：

zip(word[0:], word[1:], word[2:], ... word[n-1:])

这 - 根据 zip 的工作方式 - 将创建 n 元组，每个条目来自相应的参数之一：

[(words[0:][0], words[1:][0]....),
(words[0:][1], words[1:][1]....)
...

如果映射索引，您会看到这些值对应于 word

的 n-gram 定义

Answer 2

以下示例应说明其工作原理。我添加了代码和它的可视化表示。

直觉

核心思想是将同一个列表的多个版本压缩在一起，其中每个版本都从下一个后续元素开始。

假设 L 是 words/elements ['A', 'B', 'C', 'D']

的列表

然后，这里发生的事情是 L, L[1:], L[2:] 被压缩，这意味着每个元素的第一个元素（即 L 的第 1、第 2 和第 3 个元素）组合在一起，第二个元素组合在一起一起等等..

视觉上可以显示为：

我们担心的说法-

  zip (   *    [L[i:] for i in range(n)])
#|___||_______||________________________|     
#  |      |                  |
# zip  unpack    versions of L with subsequent 0 to n elements skipped

代码示例

l = ['A','B','C','D']

print('original list: '.ljust(27),l)
print('list skipping 1st element: ',l[1:])
print('list skipping 2 elements: '.ljust(27),l[2:])
print('bi-gram: '.ljust(27), list(zip(l,l[1:])))
print('tri-gram: '.ljust(27), list(zip(l,l[1:],l[2:])))

original list:              ['A', 'B', 'C', 'D']
list skipping 1st element:  ['B', 'C', 'D']
list skipping 2 elements:   ['C', 'D']
bi-gram:                    [('A', 'B'), ('B', 'C'), ('C', 'D')]
tri-gram:                   [('A', 'B', 'C'), ('B', 'C', 'D')]

如您所见，您基本上是在压缩同一个列表，但跳过了一个。这将 (A, B) 和 (B, C) ... 压缩为双字母组。

*运算符用于解包。当您更改 i 值以跳过元素时，您基本上是在压缩 [l[0:], l[1:], l[2:]...] 的列表。这将传递给 zip() 并使用 *.

在其中解压缩

zip(*[word[i:] for i in range(n)] #where word is the list of words

替代列表理解

上面的列表理解等价于-

n = 3
lists = []
for i in range(3):
    print(l[i:])        #comment this if not needed
    lists.append(l[i:])
    
out = list(zip(*lists))
print(out)

['A', 'B', 'C', 'D']
['B', 'C', 'D']
['C', 'D']

[('A', 'B', 'C'), ('B', 'C', 'D')]

zip(*) 是如何生成 n-gram 的？

How is does zip(*) generate n-grams?

python

zip

n-gram

直觉

代码示例

替代列表理解