新技能get！用Python高效背單詞
Python中文社區(qū)(ID:python-china)
背景
作為一個程序員，經(jīng)常需要閱讀英文論文、文檔、書籍。對于一些基礎(chǔ)不好的同學來說，最主要的攔路虎是英語單詞。計算機類文檔不同于小說，其語法、句式都比較簡單，可以說只要詞匯量有了，閱讀就很簡單。
如果能在平時提高詞匯量，那是最好不過了。雞湯警告！你必須暗自努力，然后驚艷所有人！這句話打在這里沒毛病吧，老鐵。但無所側(cè)重地背普通英語字典，恐怕效率并不高。不提前學習單詞，直接上手閱讀，遇到生詞再查，效率也提升不起來。
這里介紹一個針對專業(yè)文檔背單詞的方法：把當前文檔的所有單詞，建立一個專屬字典，先背誦這個字典，再去看書，一定能一目十行。
思路
總體思路是文件分詞統(tǒng)計，查找字典，生成新字典。
•首先，有一個需要閱讀的英文文檔，給它分詞，按照單詞頻率排序；•找一個已掌握的英語詞匯表（四六級或考研等），把上文中的單詞和本詞匯表重復的項刪除；•再找一個詞匯量大的字典，在其中查找對應解釋；•把結(jié)果存儲到一個字典文件中。
得到的字典，就是這本書的專屬字典了。業(yè)余背這個字典，相當于掌握了計算機專業(yè)英語。這個方法也適用于機械、電子等等任何專業(yè)英語的地方。
實現(xiàn)
下面，以 Python 神作《Fluent Python》為例，用 Python 自帶的庫實現(xiàn)分詞、統(tǒng)計功能。首先看下它的內(nèi)容梗概。
- Fluent Python
- CLEAR, CONCISE, AND EFFECTIVE PROGRAMMING
- Luciano Ramalho
- ......
分詞
首先來分詞。
- from collections import Counter
- import re
- ct2 = Counter()
- patt = re.compile(r'\w+')
- with open('f1.txt','r',encoding='utf-8') as f:
- for l in f.readlines():
- ws = (n.lower() for n in patt.findall(l))
- ct2.update(ws)
以上代碼中，導入了 Counter 和 re 模塊。
Counter 負責統(tǒng)計單詞詞頻，re 正則表達式分割英語單詞。得到結(jié)果 ct2 中是所有單詞的詞頻。
下面，把它保存下來。
- with open('result_f1.txt','w',encoding='utf-8') as f:
- f.write(''.join(('%s %s\n'%(a,b) for a,b in ct2.most_common())))
現(xiàn)在，result_f1.txt 中存儲的是這本書出現(xiàn)的單詞，而且是按照詞頻排序的，如下。
- the 12414
- a 5639
- of 4900
- in 4837
- to 4689
- is 3848
- ......
和預想得很像，排名靠前的基本是介詞等常用詞。
另外，比較有意思的數(shù)據(jù)是，《Fluent Python》共使用詞匯 9118 個，其中出現(xiàn)一次的單詞有 3168 個。出現(xiàn)頻次最高的 the 達到 12000 次。它的分布圖如下。
載入字典
下載一個比較全的字典，十萬個單詞。載入內(nèi)存，存儲在字典數(shù)據(jù)變量 dicts 中。
這是 dict 結(jié)構(gòu)第一次真正存儲字典！
- dictdicts = dict()
- with open('103976.txt','r',encoding='gbk') as f:
- for l in f.readlines():
- k = l[0:l.find('\t')]
- v = l[l.find('\t')+1:]
- dicts.update({k:v})
刪除認識的單詞
字典當中大量的 the a is，相當挑戰(zhàn)我們的容忍度，這讓旁人看了，還以為我們小學沒畢業(yè)呢。去掉去掉……
眾所周知，我們采用了小學二年級就掌握的 postgrade.txt 英文字典。
postgrade.txt 同學們肯定耳熟能詳。神奇的是第一個單詞。abandon vt.離棄，丟棄;遺棄，拋棄;放棄
- with open('postgrade.txt','r',encoding='utf-8') as f:
- f.readline()
- for l in f.readlines():
- k = l[:l.find(' ')]
- try:
- del dicts[k]
- except KeyError as e:
- pass
現(xiàn)在，字典 dicts 中，僅僅剩下所我們不認識的，103976 - 5000 = 98976 個單詞了。
生成新字典
以詞頻單詞來查找單詞表，再把單詞和釋義存到新單詞表中，就得到新單詞表了。
- with open('f1_res.txt','w',encoding='utf-8') as wf,open('result_f1.txt','r',encoding='utf-8')as f:
- for l in f.readlines():
- k = l[:l.find(' ')]
- v = dicts.get(k,None)
- if v:
- wf.write('%s %s'%(k,v))
- wf.close()
這里第一句，兩個 with 可以寫到一句話里。這樣代碼看起來比較和諧。
查字典方法，使用v = dicts.get(k,None)，這樣查不著的單詞，返回 None，寫入新字典時判斷這個值，就可以了。
總結(jié)
除此處介紹的生生單個文檔字典外，還可多拿幾個領(lǐng)域?qū)I(yè)文檔，提取它們的常用單詞，然后生成專屬字典，這字典，相當于相關(guān)領(lǐng)域的專業(yè)英語字典。
這里使用 Python 自帶庫寫程序，效率可能不高。如果需要，可以使用 pandas 之類的庫來實現(xiàn)，提高效率。
