用使用Python的字典缩略语替换

Question

我试图用缩写词典中的“核糖核酸”代替“rna”这样的词。我试着写了下面的文章，但是它并没有取代缩写。

import csv,re
outfile = open ("Dict.txt", "w")
with open('Dictionary.csv', mode='r') as infile:
    reader = csv.reader(infile)
    mydict = {rows[0]:rows[1] for rows in reader}
    print >> outfile, mydict
out = open ("out.txt", "w")
ss = open ("trial.csv", "r").readlines()
s = str(ss)
def process(s):
    da = ''.join( mydict.get( word, word ) for word in re.split( '(\W+)', s ) )
    print >> out, da
process(s)

一个示例trial.csv文件将是

A,B,C,D
RNA,lung cancer,15,biotin
RNA,lung cancer,15,biotin
RNA,breast cancer,15,biotin
RNA,breast cancer,15,biotin
RNA,lung cancer,15,biotin

样本Dictionary.csv：

rna,ribonucleic acid
rnd,radical neck dissection
rni,recommended nutrient intake
rnp,ribonucleoprotein

我的输出文件应该用‘核糖核酸’代替'RNA‘

Answer 1

我认为这行s = str(ss)引起了问题-创建的列表刚刚变成了一个字符串！

试一试：

def process(ss):
    for line in ss:
        da = ''.join( mydict.get( word, word ) for word in re.split( '(\W+)', line ) )
        print >> out, da

process(ss)

Answer 2

我想把'rna‘替换一下，但我的字典里有'RNA’。有没有办法让我无视这个案子。

好的。在创建字典时，只需在每个键上调用casefold，并在查找值时再次调用：

mydict = {rows[0].casefold(): rows[1] for rows in reader}

# ...

da = ''.join( mydict.get(word.casefold(), word) for word in re.split( '(\W+)', s ) )

如果您使用的是一个没有casefold的较旧版本的Python (IIRC )，那么它是在2.7和3.2中添加的，但它可能比那个…晚)，改为使用lower。它并不总是对非英语字符做正确的事情(例如，'ß'.casefold()是'ss'，'ß'.lower()是'ß')，但是对于您的应用程序来说，这似乎是可以的。(如果不是，你要么用unicodedata写一些更复杂的东西，要么找一个第三方库。)

另外，我不想用“corna”代替“corna”(我知道这个词不存在，但我想确保它不会发生)。

好吧，您已经在使用您的re.split了，它在任何“非单词”字符上拆分，然后分别查找每个生成的单词。由于corna不会出现在dict中，所以它不会被替换。(尽管请注意，re的" word“字符的概念可能实际上并不是您想要的--它将下划线和数字作为单词的一部分，这样rna2dna就不会匹配，而像s1$_2(rNa/这样的二进制数据块可能会匹配。)

您的代码中还存在另一个严重问题：

ss = open ("trial.csv", "r").readlines()
s = str(ss)

调用readlines意味着ss将是一个行列表。在列表中调用str意味着s将是一个包含[的大字符串，然后是每一行的回复(其中包含引号，反斜杠在其中转义，等等)。用逗号分隔，然后是]。你几乎肯定不想那样。如果您想按原样将整个文件读入字符串中，只需使用read()。

你的数据似乎也有问题：

rna,ibonucleic acid

如果将rna替换为ibonucleic acid，等等，就会有一些难以读懂的输出。如果这真的是你的字典格式，而字典的用户应该推断出一些逻辑，例如，第一个字母是从缩写中复制出来的，那么你必须写出这个逻辑。例如：

def lookup(word):
    try:
        return word[0] + mydict[word.casefold()]
    except KeyError:
        return word
da = ''.join(lookup(word) for word in re.split('(\W+), s))

最后，在字符串文本中使用未转义反斜杠是个坏主意。在本例中，您可以不使用它，因为Python碰巧对\W没有意义，但这并不总是正确的。解决这个问题的最好方法是使用原始字符串文本，比如r'(\W+)'。