20行Python代码实现pycharm自动补全功能

引入

大家在使用谷歌或者百度搜索时，输入搜索内容时，谷歌总是能提供非常好的拼写检查，比如你输入 speling ，谷歌会马上返回 spelling 。

那么我们是不是可以利用到pycharm中的补全代码功能呢？

20行Python代码实现pycharm自动补全功能

下面是用21行python代码实现的一个简易但是具备完整功能的拼写检查器。

20行Python代码实现pycharm自动补全功能

代码


correct函数是程序的入口，传进去错误拼写的单词会返回正确。如：

>>> correct("cpoy")

'copy'

>>> correct("engilsh")

'english'

>>> correct("sruprise")

'surprise'

除了这段代码外，作为机器学习的一部分，肯定还应该有大量的样本数据，准备了big.txt作为我们的样本数据。

背后原理

上面的代码是基于贝叶斯来实现的，事实上谷歌百度实现的拼写检查也是通过贝叶斯实现，不过肯定比这个复杂多了。

首先简单介绍一下背后的原理，如果读者之前了解过了，可以跳过这段。

给一个词，我们试图选取一个最可能的正确的的拼写建议（建议也可能就是输入的单词）。有时也不清楚（比如lates应该被更正为late或者latest？），我们用概率决定把哪一个作为建议。我们从跟原始词w相关的所有可能的正确拼写中找到可能性最大的那个拼写建议c：

argmaxc P (c|w)

通过贝叶斯定理，上式可以转化为

argmaxc P (w|c) P © / P (w)

下面介绍一下上式中的含义：

P(c|w)代表在输入单词w 的情况下，你本来想输入单词c的概率。
P(w|c)代表用户想输入单词c却输入w的概率，这个可以我们认为给定的。
P©代表在样本数据中单词c出现的概率
P(w)代表在样本数字中单词w出现的概率
可以确定P(w)对于所有可能的单词c概率都是一样的，所以上式可以转换为


argmaxc **P** (w|c) **P** (c)

我们所有的代码都是基于这个公式来的，下面分析具体代码实现

代码分析

利用words()函数提取big.txt中的单词


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

re.findall(‘[a-z]+’是利用python正则表达式模块，提取所有的符合’[a-z]+’条件的，也就是由字母组成的单词。（这里不详细介绍正则表达式了，有兴趣的同学可以看正则表达式简介。text.lower()是将文本转化为小写字母，也就是“the”和“The”一样定义为同一个单词。

利用train()函数计算每个单词出现的次数然后训练出一个合适的模型

def **train** (features):

model = collections.defaultdict( **lambda** : 1)

forf **in** features:

model[f] += 1

returnmodel

NWORDS = train(words(file('big.txt').read()))

这样NWORDS[w]代表了单词w在样本中出现的次数。如果有一个单词并没有出现在我们的样本中该怎么办？处理方法是将他们的次数默认设为1，这里通过collections模块和lambda表达式实现。collections.defaultdict()创建了一个默认的字典，lambda：1将这个字典中的每个值都默认设为1。（lambda表达式可以看lambda简介学习过程中有不懂的可以加入我们的学习交流秋秋圈784中间758后面214，与你分享Python企业当下人才需求及怎么从零基础学习Python，和学习什么内容。相关学习视频资料、开发工具都有分享）

现在我们处理完了公式argmaxc P(w|c) P©中的P©，接下来处理P(w|c)即想输入单词c却错误地输入单词w的概率，通过 “edit distance“－－将一个单词变为另一个单词所需要的编辑次数来衡量，一次edit可能是一次删除，一个交换（两个相邻的字母），一次插入，一次修改。下面的函数返回一个将c进行一次编辑所有可能得到的单词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]

returnset(deletes + transposes + replaces + inserts)

相关论文显示，80-95%的拼写错误跟想要拼写的单词都只有1个编辑距离，如果觉得一次编辑不够，那我们再来一次


def **known_edits2** (word):

returnset(e2 **for** e1 **in** edits1(word) **for** e2 **in** edits1(e1) **if** e2 **in** NWORDS)

同时还可能有编辑距离为0次的即本身就拼写正确的：

def **known** (words):

returnset(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]

returnmax(candidates, key=NWORDS.get)

20行Python代码实现pycharm自动补全功能

引入

猜你喜欢